| 摘 要： | 铜精矿是冶炼铜及其合金的基础工业原料,不同产地进口的铜精矿在元素组成、含量上存在着差异,进口铜精矿伪报、掺杂、有害元素超标案件多发,危害国家经济安全。因此建立入境铜精矿产地识别模型,将有助于风险分级,预警。该研究对象为智利、秘鲁、菲律宾、西班牙、纳米比亚、伊朗、马来西亚和阿尔巴尼亚8个国家进口铜精矿的280批次铜精矿样品。应用波长色散-X射线荧光光谱无标样分析法测定所有研究样品的元素组成及含量,结果表明铜精矿样品的检出元素共计53种。选择O, Mg, Al, Si, P, S, K, Ca, Ti, Fe, Cu, Zn, Mn, As, Mo, Ag和Pb共17种元素含量作为变量,建立进口铜精矿国别的BP神经网络预测模型。采用F-score筛选出O, Mg, Al, Si, P, S, K, Ca, Cu, Zn, Mo, Ag和Pb共13个元素的含量作为特征变量,分别建立进口铜精矿国别的Fisher判别分析预测模型和BP神经网络预测模型。3种预测模型的结果如下:采用F-score筛选变量的Fisher判别分析模型对建模样品的识别准确率为94.2%,交叉验证准确率为92.9%,对预测样品的识别准确率为96.7%;输入层为17与13个变量的BP神经网络的训练集,校正集,验证集,建模集以及预测样品的准确识别率分别为:100%, 97.1%, 94.1%, 98.2%, 100%与100%, 97.1%, 100%, 99.6%, 100%。比较3次建模的结果可知,经过F-score筛选变量后用BP神经网络所建模型的准确识别率最高,该方法不仅可以减少建模的输入变量还可以提高识别准确度。波长色散-X射线荧光光谱无标样分析虽是半定量分析方法,但具有分析速度快和稳定性好的优点,利用该方法结合F-score筛选变量用于BP神经网络模式识别可以实现对铜精矿的国别识别。
|
