本文主要研究内容
作者宋月婵,刘光萍,黄晨(2019)在《MIV-SVM-BPSO模型在铀矿堆浸中的应用》一文中研究指出:利用某矿区ZQ7堆浸柱实测数据作为建模分析样本,建立MIV-SVM、BPSO-SVM、MIV-SVM-BPSO三种模型,对铀矿堆浸进行建模仿真。其中,平均影响值(MIV)算法,可对影响铀矿浸出率的特征因子进行排序;离散二进制粒子群(BPSO)算法可筛选出最优的特征子集;而改进的MIV-SVM-BPSO模型,则是将排序后的优良子集作为后续BPSO算法的部分种群,进而对样本进行仿真实验。结果表明,MIV-SVM-BPSO模型的模拟效果均比单一的MIV-SVM和BPSO-SVM模型好,该模型具有有效降低数据维数,在小样本条件下学习更加有效,建模采样过程更快,模拟精度更高的优点;将浸出液体积,Eh出,Fe■,Fe2+出作为铀矿生物堆浸工艺的主要控制因数可降低生产成本,提高铀矿浸出率。
Abstract
li yong mou kuang ou ZQ7dui jin zhu shi ce shu ju zuo wei jian mo fen xi yang ben ,jian li MIV-SVM、BPSO-SVM、MIV-SVM-BPSOsan chong mo xing ,dui you kuang dui jin jin hang jian mo fang zhen 。ji zhong ,ping jun ying xiang zhi (MIV)suan fa ,ke dui ying xiang you kuang jin chu lv de te zheng yin zi jin hang pai xu ;li san er jin zhi li zi qun (BPSO)suan fa ke shai shua chu zui you de te zheng zi ji ;er gai jin de MIV-SVM-BPSOmo xing ,ze shi jiang pai xu hou de you liang zi ji zuo wei hou xu BPSOsuan fa de bu fen chong qun ,jin er dui yang ben jin hang fang zhen shi yan 。jie guo biao ming ,MIV-SVM-BPSOmo xing de mo ni xiao guo jun bi chan yi de MIV-SVMhe BPSO-SVMmo xing hao ,gai mo xing ju you you xiao jiang di shu ju wei shu ,zai xiao yang ben tiao jian xia xue xi geng jia you xiao ,jian mo cai yang guo cheng geng kuai ,mo ni jing du geng gao de you dian ;jiang jin chu ye ti ji ,Ehchu ,Fe■,Fe2+chu zuo wei you kuang sheng wu dui jin gong yi de zhu yao kong zhi yin shu ke jiang di sheng chan cheng ben ,di gao you kuang jin chu lv 。
论文参考文献
论文详细介绍
论文作者分别是来自东华理工大学学报(自然科学版)的宋月婵,刘光萍,黄晨,发表于刊物东华理工大学学报(自然科学版)2019年03期论文,是一篇关于累计铀浸出率论文,特征选择论文,支持向量机论文,离散二进制粒子群算法论文,东华理工大学学报(自然科学版)2019年03期论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自东华理工大学学报(自然科学版)2019年03期论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。
标签:累计铀浸出率论文; 特征选择论文; 支持向量机论文; 离散二进制粒子群算法论文; 东华理工大学学报(自然科学版)2019年03期论文;