[发明专利]基于BP神经网络的矿石品位估值方法及装置

权利要求书

1.一种基于BP神经网络的矿石品位估值方法，其特征在于，包括：

获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；

将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取；

根据所述三维空间坐标确定BP神经网络的输入信息的步骤包括：

计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；

根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息；

根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息的步骤包括：

将所述平方和作为ln函数中的对数，获取ln函数的值；

计算所述平方和的算数平方根；

将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息；

根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤之前还包括：

根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；

对所述位置点样本对应的多个输入信息与所述位置点样本的品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息与品位数据位于[-1,1]范围内；

相应地，根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤包括：

根据所述位置点样本对应的归一化后的输入信息和品位数据对所述BP神经网络进行训练；

对所述BP神经网络进行训练过程中的学习率的公式如下所示：

λ＝sign[D(k)D(k-1)]；

其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。

2.根据权利要求1所述的基于BP神经网络的矿石品位估值方法，其特征在于，所述BP神经网络中隐含层的节点数通过经验公式以及试验对比获取；

所述隐含层的传递函数为双曲正切传递函数；

所述BP神经网络中输出层的传递函数为线性传递函数。

3.一种基于BP神经网络的矿石品位估值装置，其特征在于，包括：

获取模块，用于获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；

估值模块，用于将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取；

所述获取模块具体用于：

计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；

根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息；

所述获取模块进一步用于：

将所述平方和作为ln函数中的对数，获取ln函数的值；

计算所述平方和的算数平方根；

将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息；

还包括训练模块，用于：

根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；

对所述位置点样本对应的多个输入信息与所述位置点样本的品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息与品位数据位于[-1,1]范围内；

根据所述位置点样本对应的归一化后的输入信息和品位数据对所述BP神经网络进行训练；

对所述BP神经网络进行训练过程中的学习率的公式如下所示：

λ＝sign[D(k)D(k-1)]；

其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。

4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1或2所述基于BP神经网络的矿石品位估值方法的步骤。

5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1或2所述基于BP神经网络的矿石品位估值方法的步骤。