.png){kind=icon}
返回
Integrated ore classification using stand-alone and hybridised machine learning algorithms
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-42248-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究开发了一种基于人工智能（AI）算法的先进、稳健的分类模型，用于根据电感耦合等离子体（ICP）测量的微量元素估算金矿石类别。该方法涉及利用独立机器学习（ML）算法整合于委员会机器（CM）框架内。为此，从伊朗Sari-Gunay金-多金属矿（SGGM）的8个钻孔中获取了包括砷、铋、镉、钴、铬、铜、铁、汞、锰、钼、镍、铅、锑、硒、锡、锶、钍、铀和锌在内的19种微量元素作为输入，并将三个金品位类别（矿石、低品位矿石和废石）指定为输出类别。这些类别根据其金品位和可采矿段定义，分别采用>1 g/t、0.5–1 g/t和<0.5 g/t的阈值区分矿石、低品位矿石和废石。使用了8种独立的ML分类器进行初始分类，包括反向传播神经网络（BP-NN）、Takagi和Sugeno模糊推理系统（TS-FIS）、自适应提升（AdaBoost）、GentleBoost、LogitBoost、随机欠采样提升（RUSBoost）、极端梯度提升（XGBoost）和自适应神经模糊推理系统（ANFIS）。采用准确率、精确率和召回率指标通过比较预测结果与ICP分析和地质研究得出的参考数据来评估算法性能，提供一致的参考基准。通过参数调优方法对每个算法的参数进行调优，旨在识别最优模型。AdaBoost算法的表现优于其他独立算法。为进一步改进独立分类器的分类结果并将算法整合为统一算法，遗传（GA）和模拟退火（SA）优化算法被配置在CM框架内。两种优化算法的参数调优产生了多个不同模型以确定最优权重和最佳性能模型。带有SA的CM（CMSA）的表现优于GA优化器。采用CMSA相较于独立算法的平均性能，总体准确率提升了7.28%。
Keyword:
Engineering
Solid Earth sciences
Gold ore class
Trace element
Committee machine
Ensemble learning
Supervised boosting algorithm
Optimisation algorithm
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
