论文部分内容阅读
[摘 要]随着经济的迅猛发展和人民生产生活的迅速变化，我国对矿产资源的需求日益上升，如何优化矿产的开采方法，实现对矿产资源的科学开采是我国面临的一个重大课题。将主成分分析与神经网络相结合，使得输入到神经网络中的数据变量得到了优化和组合，为采矿方法的优选的进一步的提高提供了数据的支持，使得采矿方法得到了很大的进步。本文主要分析了主成分分析法和神经网络，并指出了主成分分析法与神经网络相结合在采矿方法优选中的应用。
[关键词]主成分分析 神经网络 采矿方法 优选分析
中图分类号：TD853 文献标识码：A 文章编号：1009-914X（2015）07-0056-02
当今科技的进步和信息化的发展使得各种方法和模型相结合成为可能，将主成分分析与神经网络相结合，使输入到神经网络中的数据变量得到优化和组合，为采矿方法的优选提供数据支持，将对采矿方法的进一步提高更具有深远的影响。如何优化矿产的开采方法，实现对矿产资源的科学开采是我国面临的一个重大课题，然而主成分分析与神经网络的结合是一个复杂的过程，需要我们深入进行分析和研究。
一、主成分分析和神经网络概述
1、主成分分析
主成分分析法主要是将原有的众多变量，通过综合的方法缩减成较少的几个综合指标，在最大程度保持原有信息完整性的基础上对数据进行有效分析，因而主成分析法有它独特的优点。主成分分析的基本原理是把原来具有高度重叠性和过度相关性的变量综合重组以后变成一些没有重叠相关性较小的变量。其难点在于如何让重组以后的变量，既能最大程度的保持原有变量的信息，又能保证综合重组以后的变量之间不存在信息重叠。
2、神经网络
一般情况下神经网络模型包括四种类型：节点输出模型，作用函数模型、误差计算模型和自学习模型（如图一所示）。神经网络模型在处理信息时，首先输入信号，通过中间节点作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数，训练完结。此时经过训练的神经网络就能够对类似样本的输入信息自行处理，并输出误差最小的经过非线形转换的信息。
三、主成分分析法与神经网络在采矿方法优选中的应用分析
将主成分分析法和神经网络相结合应用到采矿方法放入优选中主要是为了充分利用二者的优势，达到强强联合以开发出新方法的目的。首先通过主成分分析法将原有的高度重叠和过度相关的变量进行综合重组，得到信息完整而互不相关的综合变量，然后将这些变量数据作为神经网络的输入神经元，建立网络模型，如图二所示。在将主成分分析法与神经网络相结合的网络模型建立起来之后，就具备了输入变量来得出结论的框架模型。
在这里要使用到一个专门的数据处理分析软件，即社会科学用统计软件包，它是一种组合式的软件包，它除了能对输入的数据进行处理以外，还能对数据进行深入的分析，利用这个软件包可以实现对普通数据从简单描述到综合分析的过程，是一种科学高效的分析方法。将此软件包具体应用到采矿方法优选中是十分合适的，首先将采矿所用到的走向长度、倾斜角度、厚度、矿体本身的稳固性、下盘稳固性、采场生产能力、采矿功效、矿成本与损失率等作为基础的变量输入到社会科学用统计软件包内，经过一定的处理和深入的分析之后，就自动输出采矿方法（详情可以参照表一中某矿产的开采条件及采矿方法统计）。
然而从表一的输入变量可以得知，各变量之间存在明显的关联性，因此会影响输出结果的准确性，为了保证神经网络预测的精确，就必须对输入的变量进行主成分的分析，只有经过全面的主成分分析，对输入的变量进行优化和组合，才能得到真正准确的采矿方法。由于输入变量比较繁杂，因此在进行主成分分析之前要对各输入变量进行一定的预处理，此时可采用一定的数据分析模型对输入变量进行标准化处理。对输入变量进行了预处理之后，就可以利用社会科学用统计软件包中的主成分分析功能对表一中的输入变量進行处理分析，此时要对处理数据的参数进行选取，一般情况下我们通常选取主成分列表、主成分碎石图和主成分分析矩阵模型等为主要参数。
首先来看一下主成分碎石图，从图三（主成分碎石图）中可以看出第一因子和第二因子、第二因子和第三因子、第三因子和第四因子之间的特征值差距很大，而其他因子之间的特征值差距相对较小，因此可以初步得出结论：提取前四个因子基本上可以代表绝大部分的数据信息。
其次，表二反映了从Y1到Y4各成分方差贡献率及累计贡献率，一般来说，主成分方差要占到总方差的75%到85%，才算是符合主成分分析基本要求的，从表二中可以明显看出，前四个成分解释占总变异的80%，所以它们可以代表原始变量的基本信息。另外我们不难看出此处显示的信息与碎石图显示的信息基本相同，因此它们之间实现了互相验证，进一步保证了数据的准确性。
第三，表三（主成分因子荷载矩阵）是主成分分析矩阵的具体模型，它明确给出了四个因子与原始变量之间的关系，通过X1、X2、X3……X10的具体数据，我们可以得到Y1到Y4的具体表达式，然后通过准确的主成分计算我们可以得到表四，即主成分计算后的部分数据。通过上述论述和证明，不难得出主成分分析对于原始输入变量的优化作用是正确的和有效的，通过主成分分析可以得到几个特征值差距很大的数据因子，将这些数据因子输入到神经网络中，我们就能得到正确的采矿方法。
由于神经网络的输入变量过多影响了结果的准确性，所以我们往往将主成分分析与神经网络相结合来进行采矿方法的分析，为了保证结果的准确无误，在基于主成分分析与神经网络的采矿方法的实际应用过程中还要特别注意精准度的把握。如表五所示，经过主成分分析以后的实际输出结果和预期的输出结果相对误差都控制在4%左右，充分说明了经过主成分分析以后，神经网络具有了很高的精准度。
结语
通过主成分分析法和神经网络的结合，使得神经网络所得结果的精准度大大提高，使得采矿的方法有了明显的进步，可见各科学领域的界限是没有限制的，将各种方法和模型实现合理有效的搭配，能得出更好的新的方法和模型，这就需要我们一创新的态度和理念去钻研探索，肯定能把科学推向更光明的境界。
参考文献
[1] 陈建宏，蒋权，郑海力，杨珊.基于主成分聚类分析的采矿方法优选[J].科技导报，2011，27：36-41.
[2] 姚囝，叶义成，王其虎，施耀斌，鲁方.基于统计模糊权重和模糊区间评价的采矿方法优选模型[J].中国矿业，2014，09：112-117+144.
[3] 周升平，王贻明，吴爱祥，艾纯明.类综合指数法在采矿方法选择中的应用[J].金属矿山，2014，06：25-30.
[4] 谭玉叶，宋卫东，李铁一，夏鸿.采矿方法优选多目标决策一致性组合权重研究及应用[J]. 北京科技大学学报，2014，08：1115-1122.
[5] 邓红卫，胡普仑，杨念哥，高峰，翟建波.基于组合赋权TOPSIS的采矿方法优选[J].广西大学学报（自然科学版），2012，05：990-996.
[6] 刘建兴.熵值法在采矿方法优选中的应用[J].有色金属（矿山部分），2013，04：20-22.
[关键词]主成分分析 神经网络 采矿方法 优选分析
中图分类号：TD853 文献标识码：A 文章编号：1009-914X（2015）07-0056-02
当今科技的进步和信息化的发展使得各种方法和模型相结合成为可能，将主成分分析与神经网络相结合，使输入到神经网络中的数据变量得到优化和组合，为采矿方法的优选提供数据支持，将对采矿方法的进一步提高更具有深远的影响。如何优化矿产的开采方法，实现对矿产资源的科学开采是我国面临的一个重大课题，然而主成分分析与神经网络的结合是一个复杂的过程，需要我们深入进行分析和研究。
一、主成分分析和神经网络概述
1、主成分分析
主成分分析法主要是将原有的众多变量，通过综合的方法缩减成较少的几个综合指标，在最大程度保持原有信息完整性的基础上对数据进行有效分析，因而主成分析法有它独特的优点。主成分分析的基本原理是把原来具有高度重叠性和过度相关性的变量综合重组以后变成一些没有重叠相关性较小的变量。其难点在于如何让重组以后的变量，既能最大程度的保持原有变量的信息，又能保证综合重组以后的变量之间不存在信息重叠。
2、神经网络
一般情况下神经网络模型包括四种类型：节点输出模型，作用函数模型、误差计算模型和自学习模型（如图一所示）。神经网络模型在处理信息时，首先输入信号，通过中间节点作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数，训练完结。此时经过训练的神经网络就能够对类似样本的输入信息自行处理，并输出误差最小的经过非线形转换的信息。
三、主成分分析法与神经网络在采矿方法优选中的应用分析
将主成分分析法和神经网络相结合应用到采矿方法放入优选中主要是为了充分利用二者的优势，达到强强联合以开发出新方法的目的。首先通过主成分分析法将原有的高度重叠和过度相关的变量进行综合重组，得到信息完整而互不相关的综合变量，然后将这些变量数据作为神经网络的输入神经元，建立网络模型，如图二所示。在将主成分分析法与神经网络相结合的网络模型建立起来之后，就具备了输入变量来得出结论的框架模型。
在这里要使用到一个专门的数据处理分析软件，即社会科学用统计软件包，它是一种组合式的软件包，它除了能对输入的数据进行处理以外，还能对数据进行深入的分析，利用这个软件包可以实现对普通数据从简单描述到综合分析的过程，是一种科学高效的分析方法。将此软件包具体应用到采矿方法优选中是十分合适的，首先将采矿所用到的走向长度、倾斜角度、厚度、矿体本身的稳固性、下盘稳固性、采场生产能力、采矿功效、矿成本与损失率等作为基础的变量输入到社会科学用统计软件包内，经过一定的处理和深入的分析之后，就自动输出采矿方法（详情可以参照表一中某矿产的开采条件及采矿方法统计）。
然而从表一的输入变量可以得知，各变量之间存在明显的关联性，因此会影响输出结果的准确性，为了保证神经网络预测的精确，就必须对输入的变量进行主成分的分析，只有经过全面的主成分分析，对输入的变量进行优化和组合，才能得到真正准确的采矿方法。由于输入变量比较繁杂，因此在进行主成分分析之前要对各输入变量进行一定的预处理，此时可采用一定的数据分析模型对输入变量进行标准化处理。对输入变量进行了预处理之后，就可以利用社会科学用统计软件包中的主成分分析功能对表一中的输入变量進行处理分析，此时要对处理数据的参数进行选取，一般情况下我们通常选取主成分列表、主成分碎石图和主成分分析矩阵模型等为主要参数。
首先来看一下主成分碎石图，从图三（主成分碎石图）中可以看出第一因子和第二因子、第二因子和第三因子、第三因子和第四因子之间的特征值差距很大，而其他因子之间的特征值差距相对较小，因此可以初步得出结论：提取前四个因子基本上可以代表绝大部分的数据信息。
其次，表二反映了从Y1到Y4各成分方差贡献率及累计贡献率，一般来说，主成分方差要占到总方差的75%到85%，才算是符合主成分分析基本要求的，从表二中可以明显看出，前四个成分解释占总变异的80%，所以它们可以代表原始变量的基本信息。另外我们不难看出此处显示的信息与碎石图显示的信息基本相同，因此它们之间实现了互相验证，进一步保证了数据的准确性。
第三，表三（主成分因子荷载矩阵）是主成分分析矩阵的具体模型，它明确给出了四个因子与原始变量之间的关系，通过X1、X2、X3……X10的具体数据，我们可以得到Y1到Y4的具体表达式，然后通过准确的主成分计算我们可以得到表四，即主成分计算后的部分数据。通过上述论述和证明，不难得出主成分分析对于原始输入变量的优化作用是正确的和有效的，通过主成分分析可以得到几个特征值差距很大的数据因子，将这些数据因子输入到神经网络中，我们就能得到正确的采矿方法。
由于神经网络的输入变量过多影响了结果的准确性，所以我们往往将主成分分析与神经网络相结合来进行采矿方法的分析，为了保证结果的准确无误，在基于主成分分析与神经网络的采矿方法的实际应用过程中还要特别注意精准度的把握。如表五所示，经过主成分分析以后的实际输出结果和预期的输出结果相对误差都控制在4%左右，充分说明了经过主成分分析以后，神经网络具有了很高的精准度。
结语
通过主成分分析法和神经网络的结合，使得神经网络所得结果的精准度大大提高，使得采矿的方法有了明显的进步，可见各科学领域的界限是没有限制的，将各种方法和模型实现合理有效的搭配，能得出更好的新的方法和模型，这就需要我们一创新的态度和理念去钻研探索，肯定能把科学推向更光明的境界。
参考文献
[1] 陈建宏，蒋权，郑海力，杨珊.基于主成分聚类分析的采矿方法优选[J].科技导报，2011，27：36-41.
[2] 姚囝，叶义成，王其虎，施耀斌，鲁方.基于统计模糊权重和模糊区间评价的采矿方法优选模型[J].中国矿业，2014，09：112-117+144.
[3] 周升平，王贻明，吴爱祥，艾纯明.类综合指数法在采矿方法选择中的应用[J].金属矿山，2014，06：25-30.
[4] 谭玉叶，宋卫东，李铁一，夏鸿.采矿方法优选多目标决策一致性组合权重研究及应用[J]. 北京科技大学学报，2014，08：1115-1122.
[5] 邓红卫，胡普仑，杨念哥，高峰，翟建波.基于组合赋权TOPSIS的采矿方法优选[J].广西大学学报（自然科学版），2012，05：990-996.
[6] 刘建兴.熵值法在采矿方法优选中的应用[J].有色金属（矿山部分），2013，04：20-22.