Resumen

El mineral de hierro es una materia prima importante para la industria siderúrgica, por lo que es de gran importancia económica determinar el grado del mineral de hierro de forma rápida y precisa. Y el contenido de TFe es el principal indicador que determina el grado del mineral de hierro y si éste puede fundirse directamente. A diferencia de los métodos manuales y los métodos de análisis químico, este artículo utiliza la selección de bandas para el espectro de infrarrojo cercano basada en el método de poda y la máquina de aprendizaje extremo de dos capas ocultas basada en la descomposición LU y el algoritmo de optimización de gaviota (LU-TELM-SOA) para identificar el contenido de TFe. En primer lugar, el artículo propone la selección de banda basada en el método de poda para retener la banda sensible del espectro infrarrojo cercano. Para resolver los problemas de escasa estabilidad y baja precisión de un único modelo LU-TELM (máquina de aprendizaje extremo de dos capas basadas en la descomposición LU), se propone LU-TELM-SOA. Los resultados experimentales muestran que LU-TELM-SOA tiene las ventajas de una alta precisión y una gran estabilidad.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:máquina de aprendizaje extremo, mineral de hierro, telm, soa, papel, descomposición lu, contenido en tfe, espectro infrarrojo, método de poda, gran importancia económica
• Keywords:extreme learning machine, iron ore, telm, soa, paper, lu decomposition, tfe content, infrared spectrum, pruning method, great economic significance