判别分析识别进口铁矿石产地及品牌的X射线荧光光谱研究（矿物学论文） ㊣ 精品文档 值得下载

别相比，同国家不同品牌铁矿石的识别更有难度。

目前亦未有进口品牌铁矿石识别方法的报道。

表铁矿石样品信息在全国主要铁矿石进口口岸采集了来自澳大利亚巴西南非的种品牌铁矿石，批进口铁矿石代表性样品见表。

采用波长色散射线荧光光谱无标样分析法共计检出种元素，选择批样品全部检出的种元素含量用于判别分析，逐步判别法筛选出其中种元素含量作为特征变量，线荧光光谱结合神经网络，实现铁矿石与铜矿石赤铁矿与磁铁矿的识别。

判别分析是种多变量统计分析方法，逐步判别能实现有效变量筛选，特别是变量间相关系数较大时，能剔除不合适的变量，从而提高判别准确率。

武素茹等以个已知国别铁矿石样本射线荧光光谱无标样分析数据为基础，采用逐步判别法筛选出个特征变量，利用非参数判别方法建立进口国别的判别模型，准确率为。

至目前为止，尚没有判别分析识别进口铁矿石产地及品牌的射线荧光光谱研究矿物学论文分类。

其中个重要的思想就是逐步引入变量，每次只引入个变量，同时也检验先前引入的变量如果引入的新变量导致之前变量的判别能力不再显著，就将先前引入的变量从判别式中移除，筛选至判别式中的变量都很显著。

判别的基本原理是投影，将高维数据投影到个方向，使得组与组之间区别最大，组内的区别最小，其判别函数的建立利用了方差分析的思想。

根据该原则确定判别式，将未知样品的变量代入判别式。

根据判别函数灵敏度高等优点，能实现铁矿石中主次元素的快速测定，在海关系统应用非常广泛，有利于进口铁矿石的快速通关。

孟海东等分别应用射线荧光光谱结合神经网络，实现铁矿石与铜矿石赤铁矿与磁铁矿的识别。

判别分析是种多变量统计分析方法，逐步判别能实现有效变量筛选，特别是变量间相关系数较大时，能剔除不合适的变量，从而提高判别准确率。

武素茹等以个已知国别铁矿石样本射线荧光光谱无标样南非的种品牌铁矿石，批进口铁矿石代表性样品见表。

采用波长色散射线荧光光谱无标样分析法共计检出种元素，选择批样品全部检出的种元素含量用于判别分析，逐步判别法筛选出其中种元素含量作为特征变量，采用判别分析建立了针对进口铁矿石产地和品牌的判别模型，讨论了不同品牌铁矿石的化学成分差异，通过建模样品验证交叉验证测试样品验证，确证了模型的准确性和适用性。

实验部分样品收集根据铁矿石取样和制判别函数式中分别代表和的含量。

图铁矿石样本的元素平均含量条形图用函数和函数的判别得分作散点图图，横坐标为函数得分，纵坐标为函数得分，可以看出模型对南非铁矿石和澳大利亚，巴西两个国家的铁矿石区分明显，澳大利亚与巴西散点存在重叠交叉的现象。

澳大利亚巴西南非作为全球铁矿石最主要的出口国，主要铁矿产区相对集中。

如澳大利亚的铁矿石资源量和产量都明显高于其他类别，不同类别铁矿石之间的，和的含量也存在明显的差异。

因此可以利用不同元素的含量组合建立线性判别模型，对铁矿石进口国别品牌进行识别。

不同品牌铁矿石和含量的平均值在直方图上差异性不大，这也解释了逐级判别分析将这两个元素剔除的原因。

识别进口铁矿石国别使用和共个元素含量建立判别模型，得到组判别函数和元素含量建立判别模型，便可以快速进行产地品牌的识别。

当然，模型样品产地和品牌的确证和样本数量是限制模型正确率的关键要素，当样本数量达到定数量级之后，所建立识别模型的准确率和普适性将得到进步的提升。

参考文献孟海东，殷跃，孙家驹，等西部探矿工程，计算机与应用化学，姚春彦，姚仲友，徐鸣，等地质通报，曹晓兰，陈星明，张帅，等光谱学与光谱分析，张博，闵红，刘曙，安雅睿，李晨，朱志秀射线荧光光谱结合判别，杨迪粉，纽块会存在识别的情况。

这个品牌的铁矿石都产于澳大利亚皮尔巴拉地区的哈默斯利铁矿带，矿石成因类似，元素含量比较接近，因此相对于其他类别更难以区分。

图判别函数得分维散点图为追求更高的识别准确率，选择使用全部个函数来建立判别模型。

所建立判别模型的分类正确率如表所示。

结果表明当使用全部个函数建模时，模型对测试样品识别的准确率有明显提高，正确率达到了，所建立识别模型具有很好识别效果。

表判别表示正相关，系数为负表示负相关，绝对值越大相关性越高。

各元素含量与函数的相关系数分别为各元素含量与函数的相关系数分别为是相关性相对较大的元素。

判别函数式中分别代表，的含量。

前个判别函数分别解释了总信息的累计解释，用前个函数建立判别模型，并用判别得判别分析识别进口铁矿石产地及品牌的射线荧光光谱研究矿物学论文应的组质心处的坐标。

判别函数与各变量之间的相关性如图所示，横坐标为函数与各变量的相关系数，纵坐标为函数与各变量的相关系数，系数为正表示正相关，系数为负表示负相关，绝对值越大相关性越高。

各元素含量与函数的相关系数分别为各元素含量与函数的相关系数分别为是相关性相对较大的元素。

判别分析识别进口铁矿石产地及品牌的射线荧光光谱研究矿物学论文最佳的判别效果。

本文选取的值为，经过逐步判别分析，和共个元素保留在了模型中，与因未通过检验值种品牌铁矿石个元素，含量的均值对比分析图表明澳精粉，和含量与其他类别有显著差异，巴西粉和混合粉的，含量与其他类别有显著差异，南非精粉，和的含因未通过检验值种品牌铁矿石个元素，含量的均值对比分析图表明澳精粉，和含量与其他类别有显著差异，巴西粉和混合粉的，含量与其他类别有显著差异，南非精粉，和的含量明显高于其他类别，不同类别铁矿石之间的，和的含量也存在明显的差异。

因此可以利用不同元素的含量组合建立线性判别模型析识别进口铁矿石产地及品牌光谱学与光谱分析，基金国家重点研发计划项目，资助。

针对不同进口国家品牌铁矿石的模式识别，采用逐步判别分析对和共个元素含量进行变量筛选，变量能否进入模型主要取决于协方差分析的检验的显著性水平，当值大于指定值时保留该变量，而值小于指定值时，该变量从模型中剔除。

选取合适的值可以用最少的变量达型的预测正确率结论利用波长色散射线荧光光谱无标样分析法测定澳大利亚南非巴西个国家个品牌份铁矿石样品的元素含量，选择个样品作为训练样本，个样品作为测试样本，采用逐步判别分析筛选出和共种元素含量作为特征变量，建立了识别铁矿石产地品牌的判别模型。

该模型为铁矿石品牌与元素之间的关系提供了基础数据与理论依据，仅通过无标样分析法测量铁矿石样品来绘制维散点图图，分别为判别函数的得分。

维散点图分布表明，个品牌的铁矿石可明显地被划分为个区域，澳精粉和南非精粉与其他类别区分最为明显。

从图中还可以看出块与纽曼块分类略有重叠，杨迪粉与国王粉的集群非常接近。

所建立判别模型的分类正确率如表所示。

结果表明模型对澳精粉与南非精粉识别完全正确，因为与其他类别的铁矿石相比，这两类的与的含量与其他类别有明显不同。

模型对于对铁矿石进口国别品牌进行识别。

不同品牌铁矿石和含量的平均值在直方图上差异性不大，这也解释了逐级判别分析将这两个元素剔除的原因。

识别进口铁矿石国别使用和共个元素含量建立判别模型，得到组判别函数和相应的组质心处的坐标。

判别函数与各变量之间的相关性如图所示，横坐标为函数与各变量的相关系数，纵坐标为函数与各变量的相关系数，系数为判别分析识别进口铁矿石产地及品牌的射线荧光光谱研究矿物学论文步判别分析对和共个元素含量进行变量筛选，变量能否进入模型主要取决于协方差分析的检验的显著性水平，当值大于指定值时保留该变量，而值小于指定值时，该变量从模型中剔除。

选取合适的值可以用最少的变量达到最佳的判别效果。

本文选取的值为，经过逐步判别分析，和共个元素保留在了模型中，用判别分析建立了针对进口铁矿石产地和品牌的判别模型，讨论了不同品牌铁矿石的化学成分差异，通过建模样品验证交叉验证测试样品验证，确证了模型的准确性和适用性。

实验部分样品收集根据铁矿石取样和制样方法，从我国主要的铁矿石进口口岸采集并制备来自澳大利亚南非巴西个国家的进口铁矿石化学分析样品，包含个品牌的共计批次样品。

样品容量大种类丰富，有定的独立性代表性，包含了我国进口铁矿石主要来源国数判别分析方法在不同铁矿石识别中的报道。

判别分析识别进口铁矿石产地及品牌的射线荧光光谱研究矿物学论文。

澳大利亚巴西南非作为全球铁矿石最主要的出口国，主要铁矿产区相对集中。

如澳大利亚的铁矿石资源量和产量都来自于西澳洲皮尔巴拉克拉通的哈默斯利成矿省，主要铁矿床包括芒特维尔贝克汤姆普莱斯山帕拉伯杜等，它们均产于元古宙早期布罗克曼型含铁建造中，这些矿床产出了粉块杨迪粉纽块纽粉津布巴组质心处坐标函数，计算每个样品坐标与质心的距离，与哪个类别的质心最近，该样品就判定为哪个类别。

可见光近红外光谱微波介电光谱激光诱导击穿光谱，结合化学计量学或机器学习，可实现不同种类铁矿石的识别。

波长色散射线荧光光谱具有制样简单无损分析稳定性好灵敏度高等优点，能实现铁矿石中主次元素的快速测定，在海关系统应用非常广泛，有利于进口铁矿石的快速通关。

孟海东等分别应用析数据为基础，采用逐步判别法筛选出个特征变量，利用非参数判别方法建立进口国别的判别模型，准确率为。

至目前为止，尚没有参数判别分析方法在不同铁矿石识别中的报道。

判别分析识别进口铁矿石产地及品牌的射线荧光光谱研究矿物学论文。

图品牌铁矿石分布图逐步判别判别分析逐步判别分析属于有监督的分类方式，先对已知的样品进行分类来建立模型，再对未知样品来进行预方法，从我国主要的铁矿石进口口岸采集并制备来自澳大利亚南非巴西个国家的进口铁矿石化学分析样品，包含个品牌的共计批次样品。

样品容量大种类丰富，有定的独立性代表性，包含了我国进口铁矿石主要来源国及主流品牌矿种。

样品信息如表所示，所在矿区及位臵如