采集礦石樣本高光譜圖像

圖1b（藍色線條）為HSI捕獲到的原始平均光譜曲線，可以明顯看到在整個光譜區(qū)域沒有特異的波峰波谷。為了找出峰谷突出的區(qū)域，分析了光譜波段之間的相關性。

對于維度為（x, y, λ）的高光譜數(shù)據(jù)，轉換為（z = x × y, λ），并對z進行相關性分析，結果如a所示。

圖中顯示紅色區(qū)域的波段在整個波段中占比94.34%，其余顏色區(qū)域總共占比5.66%。為了最大限度地保留 “純凈數(shù)據(jù)"，防止其它顏色區(qū)域數(shù)據(jù)的干擾，

通過查詢顏色欄數(shù)據(jù)并結合波段得知紅色與其余顏色區(qū)域的相關性分界點為0.8（波段：483）。隨后，將相關性小于0.8的30個波段從數(shù)據(jù)分析中剔除，

從而消除了1685.47-1735.34 nm的光譜區(qū)域。得到的光譜曲線如圖1b（紅線）所示。該過程獲得的光譜數(shù)據(jù)（150×483）用于后續(xù)的模型建立和分析。

檢測出了鈦鐵礦中品位較高的9種金屬元素，根據(jù)其品位高低對樣本進行分組。

其中，1%及以上為主要品位（Ti, Fe），0.02-1%為次要品位（V, Mn, Co, Cu），0.02%及以下為微量品位（Zn, Zr, Pb）。

鈦鐵礦中各組分品位的統(tǒng)計分布如表1所示，可以清晰看出，不同組分的品位有明顯的差異，這對回歸模型的建立至關重要。

鈦鐵礦樣本的光譜反射率值在0.03 - 0.27之間，證實粉狀鈦鐵礦的整體反射率較低，并隨品位的增加而降低。圖1b顯示在NIR區(qū)域，

該鈦鐵礦的光譜特征分別在940nm、1020nm和1300~1650nm處出現(xiàn)了波谷。具體地，光譜反射率值在940 nm處達到谷值，隨后急劇下降，

這主要歸因于O-Ti-O的拉伸和變形。該鈦鐵礦較寬的吸收波段主要位于1300 ~ 1650 nm，Izawa指出這是由八面體配位的亞鐵在此附近產(chǎn)生晶體場躍遷分裂而引起的。

采用SavitZky一Golay卷積平滑法(簡稱SG平滑算法)、多元散射校正算法、包絡線去除算法、二階導數(shù)算法、多元散射校正+SG平滑算法等5種預處理方法對原始光譜數(shù)據(jù)進行處理?；跇渫痪W(wǎng)絡模型對比原始光譜數(shù)據(jù)，探索出HSI光譜數(shù)據(jù)的最佳預處理方法，結果如表2所示。預測集中，與原始數(shù)據(jù)相比，MSC+SG方法下的各指標R²_P提高了5.88%，RMSEP降低了34.39%，RPD和RPIQ分別提高了28.86%和38.93%。

提取礦石樣本的顏色特征是否可以用于構建品位預測模型，還有待進一步驗證?；阝佽F礦多組分品位（平均品位）與顏色特征參數(shù)進行Pearson相關性分析。

從圖中可以看出，除S顏色通道的特征參數(shù)與多組分品位存在弱相關（R < 0.3）外，其余顏色特征參數(shù)對于品位預測模型都是合理的。造成這種現(xiàn)象的原因是，

鈦鐵礦本身是一種不透明礦物，而HSI采集到的圖像過于單一，整體顏色偏暗。

多元回歸模型DD、PLSR和SSA-KELM可能對兩個維度中某一特定數(shù)據(jù)集的表現(xiàn)最好，但基于多組分品位模型穩(wěn)定性的需求，

BPNN才是最佳的模型選擇。圖5為基于BPNN兩個的光譜和圖像數(shù)據(jù)結果，可以看出，兩個數(shù)據(jù)的指標變化差異不大，

證實了BPNN模型即使在小樣本量下也具有很強的泛化性能和魯棒性。綜合評價表明，BPNN對兩組數(shù)據(jù)集的預測都是成功的，

但利用圖像數(shù)據(jù)預測鈦鐵礦多組分品位的可靠性略低于利用特征選擇的光譜數(shù)據(jù)。

從iPLS-VCPA-IRIV特征選擇的擬合光譜數(shù)據(jù)圖可以看出，在校正集中，鈦鐵礦多組分品位都均勻準確地分布在理想曲線上。

然而，對于預測集來說，明顯可以看出來的是，除擬合良好的主要品位（Ti、Fe）

和次要品位（V、Mn、Co、Cu）外，微量品位（Zn、Zr、Pb）的擬合似乎并不令人滿意。因此，在下一步工作中，

可以對少樣本量下礦石內部微量品位的變化進行更深入的研究。

從光譜和空間維度出發(fā)，探討了計量學相結合預測鈦鐵礦多組分品位的能力。