（模式识别与智能系统专业论文）氟石粉液化建模中的特征选择方法研究.pdf

摘要 氟石粉在海运途中因运输水分含量过高会发生液化从而发生沉船 事故随着越来越多此类沉船事故的发生，人们意识到探讨氟石粉液 化成因的重要性在国内外对氟石粉液化研究较少的情况下，本文从 考虑所有可能影响氟石粉液化的因素出发，利用特征选择方法筛选出 影响氟石粉液化的主要因素并建立相应液化模型，为进一步机理模型 建立及氟石粉厂家生产提供参考。主要工作如下： ( 1 ) 为了寻找主要影响氟石粉液化的因素，先考虑了所有可能影 响氟石粉液化的因素，按照相关实验标准进行实验并采集实验数据。 总共采集了l9 6 个样品的2 0 个属性的有效实验数据。 ( 2 ) 提出了基于回归预测误差的异常样本逐次剔除方法。该算法 相比于一次性删除所有异常样品的剔除方法，给了被鉴定为异常样品 二次确认的机会，这样会在很大程度上避免将一些正常样品误当作异 常样品删除，同时又能达到提高回归预测模型精度的效果。 ( 3 ) 提出了基于回归预测误差和遗传算法集成的特征选择方法。 该算法将所有的属性编码为一个遗传个体，利用回归预测模型的预测 误差及个体的属性个数来评价该个体的适应度，通过选择、交叉及变 异过程，不断繁殖与迭代，最终会收敛到一个最优的个体，此个体所 包含的属性即为最优属性集合。同时在遗传算法中，提出了综合预测 误差及属性个数的适应度函数确定方法，在选择算子与变异算子中引 入了模拟退火算法的思想，使选择算子与交异算子得到改善，更有利 于算法的寻优，加强了算法的全局搜索能力。 ( 4 ) 利用本文所提出的特征选择方法对实验数据进行分析得到包 含8 个属性的最优属性集，并对这8 个属性在回归预测模型上进行灵 敏度分析，指出这8 个属性对氟石粉液化的影响 关键词：氟石粉；液化；特征选择；遗传算法；回归预测模型； 异常样品剔除 国家质检总局科技计划项目n o 2 0 0 8 i k 0 5 2 i i i a b s t r a c t f l u o r i d ep o w d e rc o n t a i n i n gl a r g ea m o u n t so fw a t e ri si n c l i n e dt ob e l i q u e f i e d ，w h i c hw i l l l e a dt ot h es h i p p i n gw r e c k a sm o r ea n dm o r e a c c i d e n t sh a p p e n ，r e s e a r c h e r sb e g i nt oi n v e s t i g a t et h ec a u s e so ff l u o r i d e p o w d e rl i q u e f a c t i o n i nt h ec a s eo ft h ef e ws t u d i e so nt h ef l u o r i d ep o w d e r l i q u e f a c t i o nb o t hi nr e s e a r c ha n di n d u s t r yd o m a i n s ，t h i st h e s i st a k e st h e i n i t i a t et os t u d yt h i st o p i c f i r s t l y ，t h et h e s i sc o n s i d e r sa l lp o s s i b l ef a c t o r s t h a ta f f e c tt h el i q u e f a c t i o no ft h ef l u o r i d ep o w d e r t h e nt h ef e a t u r e s e l e c t i o nm e t h o df o rs e l e c t i n gt h em a i nf a c t o r so ft h ef l u o r i d ep o w d e r l i q u e f a c t i o n i s p r o p o s e d ，a n da ni n t e l l i g e n tm o d e lo ff l u o r i d ep o w d e r l i q u e f a c t i o n i se s t a b l i s h e d t h em a i nc o n t r i b u t i o n so ft h i st h e s i sa r e p r o v i d e da sf o l l o w s ， ( 1 ) i no r d e rt of i n dt h em a i nf a c t o r st h a ta f f e c tt h ef l u o r i d ep o w d e r l i q u e f a c t i o n ，t h et h e s i sc o n s i d e r sa l lp o s s i b l ef a c t o r st h a ta f f e c tt h e li q u e f a c t i o no ff l u o r i n ep o w d e r s o m ee x p e r i m e n t su n d e rt h er e l e v a n t e x p e r i m e n t a ls t a n d a r da r ec o n d u c t e dw i t hc o ll e c t i n g19 6s a m p l e s ，e a c ho f w h i c hc o n t a i n s2 0p r o p e r t i e sf o rf u r t h e ri n v e s t i g a t i o n ( 2 ) t h ep r o g r e s s i v ea b n o r m a ls a m p l ed e l e t i o nm e t h o db a s e do n r e g r e s s i o nf o r e c a s t i n ge r r o ri sp r e s e n t e d c o m p a r e dt ot h ec o n v e n t i o n a l a b n o r m a ls a m p l ed e l e t i o nm e t h o d s ，t h ep r o p o s e da l g o r i t h mg i v e st h e s a m p l e si d e n t i f i e d a sa b n o r m a l i t yas e c o n dt e s t i n go p p o r t u n i t y ，w h i c h c o u l da v o i dt h ei n c o r r e c td e l e t i o no fs o m en o r m a ls a m p l e sa sa b n o r m a li n l a r g ep a r t m e a n w h i l e ，t h i sa l g o r i t h m c a nd r a m a t i c a l l y i m p r o v et h e a c c u r a c yo fr e g r e s s i o nf o r e c a s t i n gm o d e lr e s u l t s ( 3 ) t h ef e a t u r es e l e c t i o nm e t h o db a s e do nr e g r e s s i o nf o r e c a s t i n g e r r o ra n dg e n e t i ca l g o r i t h mi s p r e s e n t e d p r o c e s s e so ft h ea l g o r i t h ma r e d e s c r i b e da sf o l l o w s ：f i r s t l y ，a l lo ft h ep r o p e r t i e so ft h ef l u o r i d ep o w d e r v l i q u e f a c t i o n a r ee n c o d e da sag e n e t i ce n t i t y s e c o n d l y ，t h i st h e s i s e v a l u a t e st h ef i t n e s so ft h ei n d i v i d u a lu s i n gaf i t n e s sf u n c t i o nb a s e do n r e g r e s s i o nf o r e c a s t i n ge r r o ra n dt h en u m b e ro ft h ep r o p e r t i e sb e l o n g i n gt o t h i si n d i v i d u a l f i n a l l y ，a no p t i m a li n d i v i d u a lw i l lb es e l e c t e dt h r o u g ht h e r e p e a t e dp r o c e s s e so fs e l e c t i o n ，c r o s s o v e ra n dm u t a t i o n t h ep r o p e r t i e so f t h i si n d i v i d u a la r et h ep r o m i n e n tp r o p e r t i e sw h i c ha f f e c tt h ef l u o r i d e p o w d e rl i q u e f a c t i o n i nt h eg e n e t i ca l g o r i t h m ，t h es e l e c t i o na n dm u t a t i o n o p e r a t o r sa r ei m p r o v e db yi n t r o d u c i n gt h es i m u l a t e da n n e a l i n ga l g o r i t h m ， w h i c he n h a n c e st h eg l o b a ls e a r c h i n gc a p a b ili t i e so ft h eg e n e t i c a l g o r i t h m ( 4 ) w i t ht h ef e a t u r es e l e c t i o nm e t h o d sp r o p o s e di nt h i st h e s i sf o rt h e a n a l y s i so fe x p e r i m e n t a ld a t a ，t h eo p t i m a la t t r i b u t es e tc o n t a i n i n ge i g h t p r o p e r t i e si so b t a i n e d f u r t h e r m o r e ，ar e g r e s s i o nf o r e c a s t i n gm o d e li s p r e s e n t e df o r t h es e n s i t i v i t ya n a l y s i sb y u s i n g a f o r e m e n t i o n e d e i g h t p r o p e r t i e sd a t a k e yw o r d s ：f l u o r s p a rp o w d e r ；l i q u e f y ；f e a t u r es e l e c t i o n ；g e n e t i c a l g o r i t h m ；r e g r e s s i o nf o r e c a s t i n gm o d e l ；a b n o r m a ls a m p l ed e l e t i o n ； 浙江大学研究生学位论文独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中 不包含其他人已经发表或撰写过的研究成果，也不包含为获得逝望 盘堂或其他教育j o l , 构的学位或证书而使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示 谢意。 学位论文作者签名：似签字日期： v l 口年弓 月i e t 学位论文版权使用授权书 本学位论文作者完全了解澎鎏盘堂有权保留并向国家有关 部门或机构送交本论文的复印件和磁盘，允许论文被查阅和借阅。本 人授权逝姿盘堂可以将学位论文的全部或部分内容编入有关数据 库进行检索和传播，可以采用影印、缩印或扫描等复制手段保存、汇 编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：争儿1 导师签名： 签字日期：可嘶 弓月1 日 签字日期：少l 、严 、 致谢 值此论文完成之际，我要衷心感谢我的导师杜树新老师两年半来 对我孜孜不倦的教诲。杜老师严谨求实、求是创新的治学态度及平易 近人的工作作风时时影响着我。在杜老师的言传身教下，我不仅养成 了良好的科研 - j 惯严谨、求真、务实，而且还学到了很多为人处 事的道理。我所取得每一点成绩都与杜老师的悉心指导与关怀分不开 的。 感谢上海出入境检验检疫局的李晨科长、江丽工程师及梁修明同 志氟石粉液化因素考虑及实验由他们与我共同完成，在此表示真挚 的感谢。 感谢工控所的吴铁军老师、戴连奎老师、刘山老师，他们认真严 谨的科研作风为我树立了榜样。 实验室良好的学习环境为我的学 - - j 提供了好的基础。在此我要特 别感谢与我一起学 - - j 、生活两年半的柳顺同学，他在学习生活方面给 我了很多帮助。同时也要感谢胡正欢师兄、欧立勇师兄、杜阳锋师弟， 严赞师弟、吴元清师弟、沈进昌师弟。 p 感谢两年半来与我一起生活学习的同学，他们分别为单战虎、王志 文、许煜、杨志鹏。非常高兴能与他们一起快乐的学 - - - j 与生活。 衷心感谢我的父母及爷爷奶奶二十四年来对我的关心与照顾，他们 一生的心血只是为了我能成才，对他们表示由衷的感激! 最后感谢所有帮助与关心过我的朋友们，没有你们，我也走不到今 天 陈刚 二零一零年一月于 求是园 1 1 引言 第1 章绪论 氟石又名萤石、五花石，化学成分为氟化钙，是一种重要的工业 矿物。我国是氟石粉出口大国，氟石粉液化问题一直是氟石粉安全运 输的关键，因为在每年的海运途中因氟石粉运输水分含量过高而液化， 从而导致沉船事故的发生的事件时有发生。为了防止此类事故的发生， 氟石粉在每次装船前都要进行抽样检测其适运水分限量( t r a n s p o r t a b l e m o i s t u r el i m i t ，t m l ) 。适运水分限量值是恰好发生液化时氟石粉中 的水分( 称为流动水分点，f l o wm o i s t u r ep o i n t ，f m p ) 的9 0 。如果 货物实际水分含量大于测得的t m l 值，将不允许运输。但抽检时已经 装船在港口，如果此时抽检不合格，对厂家将造成很大影响，如时间 成本，信誉及处理后再抽检等。因此哪些因素会影响氟石粉液化的f m p 及如何预测氟石粉液化f m p 成为关注的焦点，本文将围绕如何分析确 定这些影响氟石粉f m p 的主要因素及预测模型的建立展开讨论。 1 2 课题研究的背景 地球上虽然含氟元素的矿物很多，除氟石以外还有几十种，但能获 得纯净的工业用氟元素，制造氢氟酸的含氟矿物原料仅有氟石一种，因 此，氟石是一种非常珍贵的矿产资源，当代世界各国用作生产氢氟酸的 矿物原料除了氟石就没有其它替代品。因此，许多国家将其视为战略 资源。特别是美国对氟石采取了限制开采的政策，从19 9 7 年起美国 本土不再开采氟石，5 0 万7 0 万吨的年消费量主要依靠进口和战略 储备，其中6 3 从中国进口。 我国是世界上氟石资源最多的国家之一，氟石产量居世界第1 位， 约占世界总量的l 2 。2 0 世纪9 0 年代以来，我国一直是世界上最大 的氟石出口国，主要出口日本、美国、荷兰、印度、意大利、韩国等 图1 一i 是最近几年我国氟石粉的出口概况【”从圈l l 中可知，我国氟 石粉出口已从2 0 0 0 年的1 2 0 万吨，迅速下降到72 0 0 7 年的5 4 万吨。 这是为了保护我国的氟石资源，从2 0 0 1 年开始，我国对氟石实行出口 配颧许可制度以控制氟石资源外流。但是，因为出口商用于购买许可 证的费用接近出口氟石价格的一半，每年都有不法商人通过走私手段 出口氟石以谋取暴利。据我国海关统计，2 0 0 5 年我国出口日本的氟石 数量为i5 30 7 4 万吨，而日本海关统计数则为2 7 i8 4 5 吨巨大的差值 印证了走私的猖穰 圈l _ l1 9 9 8 2 0 0 7 年亵国萤石出口情况 由于氟矿石矿物成分复杂，且氟化钙含量达不到用户要求的纯度， 通常会特氟矿石加工成氟石粉以便出口，加工步骤主要分为两步： 将氟矿石加水碾碎成细粒，对细粒进行浮选，使其化学成份符合客 户要求，但经过这样的加工处理后，氟石粉中含有大量水分不易渗出， 同时加工好的氟石粉会很快海运出口，逮将为海运安全埋下隐患。从 2 0 0 5 的5 月到7 月，仅仅三个月，中国就发生了三起运载散装氟石货 船翻船的海事事故。 第1 章绪论 这些海事事故的原因与货舱内的散装氟石粉液化有关。如图1 2 所示，这些散装氟石粉的构成由以下三部分组成：固体颗粒，水分， 空气。其中水分和空气组成固体颗粒问的空隙。这些矿粉由于颗粒细 小，即使内部含有相当份量的水分，也不易渗出，在风浪振动的作用 下，这些散装货物会突然失去剪切强度，像流体一样发生流动，即液 化，并导致氟石粉的塌方或倾泻，从而减小船舶的稳定性，引起安全 事故。 惝甜h 锄r y ：= w a t e r ， 磊；：? i x ：7 z j 苗o ! ：j ，镬 麓s o j j ；辫潮爱鬻 薹；矗j ：囊i 臻氛级；器l 藕玉磊荔i 爱谢 散装氟石粉构成示意图 发生的这些因氟石液化造成的海事事故引起了国际海运界对中国 氟石海运安全性的高度重视。国际海事组织( i n t e r n a t i o n a lm a r i t i m e o r g a n i z a t i o n ，i m o ) 下属的海上安全委员会( m s c ) 制定的固体散 货安全操作规则已经将氟石由原先的b 类危险品( 具有化学危害性 的物品) 上升到a + b 类危险品，即除了可能引起化学危害外还可能发 生液化危害。要求在包括氟石粉在内的四十多种易液化a 类危险货物 在装运前需要向运输方提供实际水分含量和相应的可运输水分限量 ( t m l ) 的鉴定证书【3 1 。如果货物实际水分含量大于测得的t m l 值， 将不允许装船运输。 1 3 课题研究现状 本课题是在考虑所有影响氟石粉液化因素的基础上进行特征选 择，选择出影响氟石粉液化的主要因素，并进行模型建立。研究现状 将从三方面进行阐述，即氟石粉研究的现状、特征选择研究现状及智 浙江大学硕士学位论文 能建模方法研究现状 1 3 1 氟石粉研究现状 氟石粉液化现象近几年才引起国际注意，国内外对此的研究较少， 几乎为空白。目前，国际上对此的研究主要集中在测氟石粉f m p 的操作 方法上。i m o 下属的海上安全委员会( m s c ) 制定的固体散货安全操 作规则中也只叙述了三种测氟石粉f m p 的方法，分别为流盘实验法、 轨梭实验法及针入度实验法1 3 1 。g a l l a g h e r 等【4 1 讨论了两种实验方法测得 f m p 的差别及时间因素对f m p 的影响，介绍一些影响因素如粒子均匀 度、粒径、相对密度等可能对f m p 的产生影响，但未做详细讨论，仍不 能明确哪些因素是影响氟石粉f m p 的主要因素。国内虽然早在l9 9 6 年沈 伦田就提出了氟石粉安全运输的问题1 5 ，但主要集中在提醒船主在运输 途中需要注意的问题；随后十几年关于氟石的讨论也只是集中在节约氟 石宝贵资源上【6 ，7 1 ，对为什么会发生液化没有提及。总的来说，氟石粉 液化影响因素的研究及其液化模型尚处在探索研究阶段，仍需要进行深 入的基础性研究。 但在地震砂土及粉土液化方面，国内外已做过很多研究，有很多地 方可值得本文借鉴。a n t h o n y 先后以场地s p t 和c p t 测试数据为基础，利 用反向传播神经网络算法，建立了描述地震砂土因素与液化势复杂关系 的人工神经网络模型 8 , 9 , 1 0 1 ，s a m s o n 等人利用二元回归统计方法建立了 几种不同的液化概率评价模型【川。周瑞林等d 2 人将r b f 神经网络用于砂 土液化预测。通过分析砂土液化成因及其影响因素，建立了砂土液化预测 r b f 网络模型，并与b p 网络预测模型进行比较。周仲景、熊传祥【1 3 】利用 影响砂土地震液化的主要因素，建立了砂土地震液化的支持向量机判别 模型。潘健等【1 4 】人利用神经网络模型完成了对砂土液化影响因素的综合 评估，明确了影响砂土液化的主要因素。这些研究成果为本课题考虑影 响氟石粉液化的因素提供了参考。 4 第l 章绪论 1 3 2 特征选择研究现状 进行数据分析的对象都包括大量数据，而且每条数据记录都包含 了许多属性，其中可能含有一些无关或者冗余的属性，或者需要从这 些大量属性中提取出一些关键的属性，删除一些不相关或无用的属性， 从而得到一个新的属性集合，这即是数据分析中的特征选择。 特征选择根据以下标准选择最小规模属性集合：1 ) 保证分类( 或 回归预测) 精度不会明显下降；2 ) 特征子集选择前后，类的分布( 或 回归预测值) 尽可能一致1 5 】。 在处理多属性数据时，与特征选择一样应用广泛的还有特征变换 ( 或称特征选取) 以主成份分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 为代表的特征变换是将原始变量进行转换，使少数几个新交量是原始 变量的线性组合，同时这些变量尽可能地表征出原始变量的信息。虽 然特征选择与特征变换都是用较少的数据属性来表征原始所有数据， 但两者有明显区别，特征选择是选取原始属性中有代表性的属性来表 征所有原始属性，而特征变换变换后的少数属性是原始属性的线性组 合。 特征选择根据是否依赖机器学习算法，其算法可以分为以下两大 类： ( 1 ) 过滤法( f i l t e r 法) 。过滤法不依赖机器学习算法，在数据预 处理阶段完成特征子集的选择，其后利用机器学习算法进行建模。此 算法具有计算代价小，效率高但在删除数据冗余性方面较差。其代表 模型为f o c u s 和r e l i e f ( 2 ) 封装法( w r a p p e r 法) 封装法则需要依赖某种或多种机器学 习算法，它以机器学习算法的建模结果，作为评价指定特征子集的方 式完成特征子集的搜索。此方法具有计算代价大，效率低，但具有很 好的降维效果。 现阶段应用比较广泛的特征选择方法主要有粗糙集方法( r o u g h s e t ) 、信息增益比法及f o c u s 和r e l i e f 等1 1 6 l 。其中，粗糙集方法因为 浙江大学硕士学位论文 它在特征提取方面的良好性能，已经成为特征提取的主要应用方法之 一【1 7 】。粗糙集方法主要包括基于信息熵的特征提取、基于归纳属性的 特征提取、基于可辨识矩阵和逻辑运算的特征提取及粗糙集与遗传算 法相结合的特征提取等 18 , 1 9 1 现有的这些特征提取的方法一般都是基于离散值的。而对于连续 数据的特征提取，通常的做法是先对连续数据进行离散化，然后再对 这些离散后的数据进行特征提取。这样的做法存在的一个很大的问题 是在离散化的过程中会丢失原始数据信息，造成特征提取的结果不正 确虽然姚望舒、张伟等人在此基础上改进了离散化的方法，如姚望 舒、商琳等 2 0 1 人使用了基于进化算法的连续属性离散化方法，张伟考 虑了双向距离方法 2 1 1 等，但始终没有摆脱连续值离散化的根本问题。 后来随着遗传算法的广泛应用及特征选择方法的深入研究，任江涛，黄 焕字等人开始对一些分类问题连续数据利用遗传算法来进行特征提取 【2 2 1 。但对高维数据( 属性很多) 时，遗传算法的搜索性能将受到影响。 不管基于连续属性离散化的特征选择会丢失一些原始信息，还是基于 遗传算法特征选择有其适用范围，每种方法都有其优点与不足，在使 用过程中，人们只能选择更适合所应用数据的特征提取方法进行实验。 在未来，找到一种更为普适的基于连续属性进行特征提取的方法，是 特征提取研究的一个方向。 1 3 3 智能建模方法研究现状 现实生活中很多系统的机理结构复杂，很难从机理上来研究其内 部特性，这样为整个系统的运用造成了困扰。近些年来，随着一些智 能建模方法的提出，人们发现，将这些智能建模方法与人的经验相结 合于复杂系统模型，有助于问题的解决，从而使智能建模方法得到大 面积的推广应用。这些智能建模方法包括神经网络、决策树方法、支 持向量机、遗传算法、小波分析等。这些方法根据其各自的特点，被 人们应用于工业控制中的软测量、医学疾病的预测研究 2 3 , 2 4 、自然灾 害方面的研究 2 5 1 及系统辨识【2 6 1 等各个方面。随着研究的深入，人们不 6 第1 章绪论 再单一的使用某一智能建模方法，而是综合应用多种建模方法来达到 更好的效果，如常用的有神经网络与遗传算法的结合，支持向量机与 遗传算法的结合等。不管如何应用，人们总是找最合适自己数据的方 法来进行建模分析与应用下面对常用的几种智能建模方法作一个简 单的介绍，其中r b f 神经网络作为本文主要使用的回归预测模型，将 介绍其基本原理。 ( 1 ) 决策树方法 2 7 , 2 8 , 2 9 1 。决策树( d e c i s i o nt r e e ) 学习是以实例为 基础的归纳学习算法。一般用来产生分类规则，解决分类问题。归纳 学习是一个从特殊到一般的过程。归纳规则就是从若干个事实中表现 出的特征、特性和属性中，通过比较、总结、概括而得到一个规律性 的结论，归纳学习的过程就是寻找一般化的描述过程。这种一般化的 描述能够解释给定的输入数据，并可以用来预测新的数据。基于决策 树的学习算法的一个最大的优点就是它在学习过程中不需要使用者了 解很多背景知识。 ( 2 ) 支持向量机方法( s v m ) 2 7 , 3 0 , 3 1 】。支持向量机( s u p p o r tv e c t o r m a c h i n e ，s v m ) 是建立在统计学习理论的结构风险最小化原则之上的 学习方法，其对于有限样本情况下的统计学习问题，有很好的推广能 力。其基本思想是通过某种事先选择的非线性映射将输入向量映射到 一个高维特征空间，在这个空间中构造最优分类超平面。 ( 3 ) 神经网络【3 2 1 。神经网络是一个并行和分布式的信息处理网络， 该网络由大量的神经元互相连接而成。通过样本训练，自动调整神经 元间的连接权系数，从而获得最优的分类( 或预测) 效果。目前应用 较为广泛的是前向神经网络，包括b p 神经网络及r b f 神经网络等。 l m b p 神经网络3 3 - 3 6 1 。l m b p 神经网络即为多层前向神经 网络的误差反向传播网络，是一种具有很高自适应性和很强的学习、 容错能力，且通过学习可以得到输入与输出之间的高度非线性映射性 质的非线性动力系统，可灵活对多成因、复杂的未知系数进行建模， 是目前应用最为广泛的神经网络学习算法。它包含正向传播与误差反 向传播两个过程，核心思想是通过对网络权值的修正，使误差函数最 7 浙江大学硕士学位论文 小 ( 鸯r b f 神经网络 2 7 , 3 7 , 3 8 】。r b f 神经网络具有很好函数逼近能力 与数据拟合能力，且训练速度很快。它是由输入层，隐含层，输出层 三层神经元构成的前向型人工神经网络，图1 3 是其结构图。基本思 想是3 0 ：用径向基函数作为隐含层神经元的“基”，构成隐含层空问， 实现输入矢量到输出矢量的映射变换。从输入空间到隐含层空间的变 换是非线性的，从隐含层空间到输出层空间的变换是线性的( 特殊情 况下是竞争的) 。需注意的是，不像多层前馈网络中的神经元不管处 于哪一层都是同一种神经元模型，r b f 神经网络只有一个隐层，且隐 含层神经元根本不同于输出层的神经元。隐层单元的变换函数是一种 局部分布的对中心点径向对称衰减的非负非线性函数径向基函 数。 输入层 隐含层 输出层 图1 3r b f 神经网络结构示意图 本研究中采用的径向基函数是高斯函数( g a u s s i a nf u n c t i o n ) ，其表 示如下： 妒( 1 1 x0 ) = p 一洲 ( 1 1 ) r b f 神经网络隐层节点第j 个节点输出为： 卜_ 1 2 毋( x ) = 哆( 1 i x x 川q ) = p 吖 ( 1 2 ) 式中，x 给定的n 个不同点的集合 z r ”li = 1 ，2 ，n ； x ，五r ”为r b f 的中心； i i - i i 表示范数，一般取欧式范数； 第l 章绪论 t 宽度参数，其选择目的是为了保持高斯函数的形状适度； r b f 神经网络输出层第j 个单元的输出为： 巧：艺毋( x ) w ( ) ( = 1 ，2 ，忉 1 引 式中，w ( j ，f ) 是r b f 神经网络第是j 隐含层和i 输出层之问的权 值。 1 4 课题研究的意义 从上节知道，氟石粉液化模型及其影响因素的研究尚处在探索研究 阶段。在无法建立机理模型的情况下，只有通过数学建模的方法来进行 分析研究。 本课题正是在这种情况下，考虑了所有可能影响氟石粉液化的因素， 在无法判断哪些因素与氟石粉液化密切相关的前提下，通过特征选择方 法，选择出一个最优属性集，从而明确影响氟石粉液化f m p 的主要因素， 并建立相关的回归预测模型预测氟石粉液化f m p ，供实际参考。通过所 得到的主要影响因素，使企业清楚在生产中应该注意哪些因素，使其生 产出的氟石粉符合货运要求，同时也会为氟石粉进一步的机理模型研究 打下基础。而建立的预测模型也能帮助企业在装船前对自己生产的氟石 粉进行初步的预测，如果水分超标，可以提前处理，减少装船到港口后 抽检不合格再处理这种费时费力的情况，能帮助企业更好的生产销售氟 石粉。 1 5 课题研究的主要内容 本课题是在氟石粉液化安全的背景下，从实验、算法和应用的角 度来对氟石粉液化进行了探索性的研究。在考虑所有可能影响氟石粉 液化因素的基础上，提出了基于回归预测误差和遗传算法集成的特征 选择方法及基于回归预测误差的异常样品剔除方法，并研究了如何将 模拟退火算法引入到遗传算法提高其全局寻优能力及遗传算法适应度 函数确定等问题。主要的研究内容及组织结构如下： 9 浙江大学硕士学位论文 第一章为绪论概要的介绍了氟石粉液化研究的背景及对其研究 的理论与现实意义。同时介绍了氟石粉研究的国内外现状、特征选择 与智能建模方法的研究现状。本章的最后介绍了本文主要的研究内容 及组织结构。 第二章为氟石粉液化因素的考虑及实验。先介绍了氟石粉液化的 机理。然后探讨所有可能影响氟石粉液化的相关因素，并按照国家相 关标准进行实验，获取实验数据。 第三章提出基于回归预测误差的异常样本逐次剔除方法。首先介 绍了异常样品的相关知识，随后介绍了常用的异常样品剔除方法 一次性删除所有判定为异常的样品，针对此方法的一些不足，本文最 后提出了异常样本逐次剔除的方法 第四章提出基于回归预测误差和遗传算法集成的特征选择方法 首先介绍遗传算法的基本原理及利用传统遗传算法如何进行特征提 取。然后指出传统遗传算法的一些不足，针对这些不足和本实验数据 的特点，将模拟退火算法恩想引入遗传算法的选择及变异算子，同时 提出适合本数据的适应度函数，再选择合适的编码与交叉方式构成改 进的遗传算法，这样的遗传算法具有更好的全局寻优能力。在本章最 后将逐次异常样品剔除的方法引入此特征选择方法中，使该特征选择 方法具有更好的性能。 第五章为实验结果。首先对实验数据进行数据预处理，然后根据 这些预处理的数据选择合适的回归预测模型。随后利用基于回归预测 误差和遗传算法集成的特征选择方法对预处理后的数据进行特征分 析，获得特征选择的结果，并比对改进遗传算法与传统遗传方法应用 此特征选择方法的结果，表明改进的遗传算法应用于此特征选择具有 更好的性能。随后用确定的影响氟石粉液化f m p 的主要因素，建立相 应预测模型，并比对异常样品剔除前后预测精度的交化。最后在回归 预测模型上对这些属性进行了灵敏度分析。 第六章为总结与展望。对论文的工作进行了总结，并对未来可进 行的工作进行了展望 1 0 第2 章氟石粉液化因素考虑及实验 2 1 影响因素探讨 氟石粉液化的机理为：在急剧的周期性动载荷作用下( 如地震波， 风浪) ，氟石颗粒离开原来的稳定位置而运动，并力图达到一个新的稳 定位置，颗粒排列将趋于密实( 剪缩性) 。该密实的过程就是颗粒挤入 氟石粉孔隙的过程，但当氟石粉中的孔隙完全被水充满时( 饱和性) ，运 动着的颗粒必将挤压孔隙水。当氟石粉透水性并不太大时，孔隙水一 时间来不及排出，于是就产生了剩余孔隙水压力。借鉴砂土的有效应 力原理描述如下： 根据有效应力原理，饱和砂土抗剪切强度f 可表达为： t = ( o p ) t a n q ) ( 2 - 1 ) 式中g 为总应力；t t 为孔隙水压力；q 为砂土的内摩擦角。显然，随振动 时间延续，p 不断累积叠加而增大，最终可抵消。而使土体的抗剪强度 完全丧失，液化产生。 因氟石粉研究方面较少，在先期实验摸索及参考砂土、粉土液化模 型的基础上，本文确立了一些可能影响氟石粉液化的因素【9 一“3 9 。3 1 1 ) 氟石粉的粒径及其均匀度。颗粒的类型对液化有着非常重要的 影响。土基研究的试验及实测资料表明土的粒径大小及其均匀度是影 响液化的一个重要因素。因为颗粒之间存在粘聚力的，粒径及其均匀 度的不同，其粘聚力也会不同，从而影响最终的f m p 2 ) 氟石粉的真密度及堆积密度。在地震作用下，土中孔隙水压力 等于固结压力是初始液化的必要条件。如果固结压力越大，则在其他 条件相同时越不易发生液化。根据关于砂土液化机理的论述可知，往 复剪切时，孔隙水压力增长的原因在于松砂的剪缩性，而随着砂土密 度的增大，其剪缩性会减弱，一旦砂土开始具有剪胀性( 什么时候开 浙江火学硕士学位论文 始有剪胀性) 的时候，剪切时内部便产生负的孔隙水压力，土体阻抗 反而增大了，因而不可能发生液化。而对于散货，特别是氟石粉，由 于经过浮选等工艺步骤，经过人为的搅动，其固结压力往往很小，其 初始的应力条件只和其具体的堆放状态有关。具体的堆放会给氟石粉 形成一定的压力，从而影响最终的f m p 。 3 ) 氟石粉的化学性质。在实际经验中，不同的矿种在发生液化时 往往有着不同的现象如镍精矿发生形变非常突然，而氟石粉的液化 过程则相对平缓。这是因为不同的矿物所含化学成分不同，所形成的 晶型也不一致，所以其颗粒的表面结构对水的吸附作用，或者其他的 一些力学性能，都有可能对最后的液化产生影响。 在进行相关实验及查看大量文献基础上，本文认为氟石粉的粒径、 粒子均匀度、真密度、堆积密度及其化学性质可能会对氟石粉f m p 产 生影响。 2 2 实验方法与实验数据 在考虑了相关影响因素后，按照国家相关标准进行实验，共获得 了2 0 0 个样品的各因素的实验数据，其中4 个样品的数据因含有噪声 或缺值在预处理时被删除，剩下19 6 个有效样品，下文在使用示意时 如无特殊说明将只使用这19 6 个有效样品。 2 2 1 流盘实验法测氟石粉液化f m p 目前国内外针对散货液化的判断，只有b cc o d e 中建议的三种检 测方法：1 、流盘实验法；2 、针入度实验法；3 、饱和度法( 轨梭保护 实验法) 。其中，流盘实验为目前国际上公认的方法，本文采用该方 法测氟石粉液化的f m p ，流盘实验仪如图2 1 所示。 * 2 $ 氟# m 目女 e & 女验 田2 一i 实验装置围 本方法的具体操作步骤为：首先将模具置于振动流盘中央，再取 i k g 氟石精样品搅拌均匀，然后用样品填充模具，分三次填充，并且 每次填充时用具有一定压强的捣棒均匀压实模拟货物堆积的紧实度， 三次填充捣捧压实次数分别为3 5 、2 5 、2 0 。再将模具移出，振动流 盘5 0 次来模拟海上运输船体的振动振后，观察样品模型的形状，如 果没有明显变化，则将样品模型取下加入5 m l 水，重新搅拌均匀，再 填充振动，直至发现模型边缘开始变形印产生凸或凹的轮廓，就认为 流变状态已经产生，此时的临界水分含量为流动水分点( f m p ) ( 如图 2 - 2 所示) 在实验过程中，通常留取一个水分含量稍低于f m p 的点 和一个水分含量稍高于f m p 的点，且两者之问的差值不大干o5 。 最后取两者均值作为f m p 。 本实验共对1 9 6 组样品进行7 氟石耠液化f m p 的测定，图2 - 3 为 1 9 6 个样品的f m p 分布示意图 田2 - 2 泣动状鸯发生形变之骑后样品状悫的比较 田2 - 31 9 6 十样品f m p 舟布乖意圈 2 2 2 氟石粉的粒径及其均匀度 样品粒度舟级利用秦勒筛通过手工分碲获得泰勒筛如图2 - 4 所 示每次取i k g 左右的氟石粉烘干样品，利用毒勒筛不断分筛获得( 泰 勒筛容量有限，每次只能放少量样品) 粒度分为4 8 目以下( 3 0 0 i t m 以 上) ，4 8 6 0 目( 2 5 0 3 0 0 t t m ) 6 0 8 0 目( 1 8 0 2 5 0 1 t m ) 8 0 i o o 目 ( 1 5 0 一1 8 0 t m ) 、1 0 0 - 15 0 目( 1 0 6 15 0 i t m ) ，15 0 - 2 0 0 冒( 7 5 - 1 0 6 t t m ) 及2 0 0 冒以上( 0 7 5 u m ) 印一2 0 0 目，七十等级，然后通过级配图得 到样品的均匀度c ( 表征样品的均匀程度) 及曲率i 分别按以下公式计算每个粒径的含量百分比 = ( m j m o ) + 1 0 0 m ( 2 - 2 ) 镕2 $ 氟6 # 化目| e 实验 武中m 第i 个粒径的含量百分比，； 巩第i 个粒径连容器的总质量，h 卅n 空客器的总质量，k g ； m 样品的总质量，k g 。 田2 - 4 泰勒井示意圈 i 鼢藏藏摘i t 匾藕嘲 浙江大学硕士学位论文 这些属性的样品数据示意如图2 5 及2 - 6 所示。图2 5 中所示的是 19 6 个样品的4 8 目以下、8 0 l0 0 目、4 8 6 0 目及6 0 8 0 目四个属性的 数据。图2 - 6 所示的是l9 6 个样品的l0 0 l5 0 目、l5 0 2 0 0 目、一2 0 0 目、均匀度c 及i 五个属性的数据。 1 6 图2 - 61 9 6 个样品的1 0 0 1 5 0 目、1 5 0 2 0 0 目，一2 0 0 目、 均匀度c 及i 五个属性的数据示意 第2 章氟耪液化目i m 女骑 2 2 3 氟石粉的宾密度及堆积密度 氟石粉的真密度利用如田2 - 7 所示的a c c u p y cl3 3 0 真密度仪利得。 利用天平( 精度为0 i m g ) 称少许试样( 制备出粒径小于6 3 p r o 的分析 斌样) ，放入设置好的a c c u p y e13 3 0 真密度仪测得真密度干粉的松 散堆积密度通过将样品自然敲入标准容器，通过天平称量其样品重量 获得；干扮的紧实堆积密度不仅将样品自然放入标准客器，且通过振 实来获得。实验所获得的样本数据示意如图2 - 8 按照以下公式来计算 样品的堆积密度 d = ( 村一肼。) v ( 2 - 3 ) 武中：m 样品和测量筒的总质量，g ； 帆空的测量筒质量，g ； 矿测量筒客积，g i l l l ； d 堆积密度，g c m 3 田2 - 7a e c u p y c1 3 3 0 真密度仪 圆2 - 8 1 9 6 十样本的真密度及堆积密度示意 2 2 4 氟石粉的化学性质 参照上海出入境检验捡疫局测定标准s c i b d1 8 15 1 9 9 4 酸级氟 石粉中次量成分的荧光x 射线光谱测定方法* 对氟石柠的化学性质进 行测定。先将粉碎好的样品放入a b s 工程塑科环中通过压片机压片， 翩样两份，再放八乡道x 射线荧光光谱仅测定，取其均值。得到的化 学属性分别为p 舯os 、s i 0 2 a i ：0 3 、a s b a s 0 4 ，c a f 2 、f e 2 0 3 目 ie 目eg j $ g 目 p # ； # 一r 2 田2 - 9 19 6 十样品的 s ，c a f