مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان
چکیده
تجزیه و تحلیل داده ها به ما کمک می کند تا بدانیم چگونه میبایست به نتایج مورد انتظار دستیابیم، بنابراین برای دستیابی به پردازش هایی دقیقتر، لازم است تا از بین تمام روشهای تحلیل اطلاعات، هر یک که برای موضوع تحت بررسیمان مناسبتر است را انتخاب نماییم. بدین منظور جهت آنالیز نمونه های حاصله از عملیات نمونه برداری سطحی سیستم مس پورفیری پرکام واقع در استان کرمان، تحت چهار مقدار طول و عرض نقاط نمونهبرداری، عیار عناصر مس و مولیبدن، از سه روش پرکاربرد k-نزدیکترین همسایه (knn)، k میانگین (k-means) و شبکه های عصبی بهره خواهیم گرفت. یکی از دیدگاههای مهم در علم دادهکاوی برای تحلیل و بررسی روی حجم زیادی از داده ها و نمونه ها با مشخصههای گوناگون، دیدگاه خوشهبندی میباشد. از معروفترین الگوریتمهای خوشهبندی، الگوریتم knn و k-means می باشد که الگوریتم knn بر اساس تخمین پیش می رود و روشی غیر پارامتری جهت کلاسهبندی و رگرسیونگیری و به دست آوردن روابط چندین متغیر می باشد در حالی که k-means بر اساس یک معیار فاصله، داده ها را به k خوشه تقسیم می کند و پس از کلاسهبندی داده ها، رفتار آنها نسبت به یکدیگر را مورد تحلیل قرار می دهد. شبکه های عصبی در تشخیص الگوها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند، می توانند ابزاری سودمند باشند. به منظور شبیهسازی و تخمین عیار مس، الگوریتمهای یاد شده با یکدیگر مورد مقایسه واقع شده و در نهایت نتایج ارائه شده اند. در مقاله پیش رو، هدف مقایسه نتایج این سه روش به منظور تعمیم آن برای سایر پژوهش ها در مواجهه با تعداد داده های محدود و هموار ساختن مسیر برای محققین می باشد. نتایج حاصله نشان می دهد که روش knn با ضریب همبستگی مناسبتر نسبت به شبکه های عصبی و k-means برای تخمین عیار عنصر مس، مؤثر واقع شده است. امتیاز استفاده از روش knn نسبت به دیگر روشهای تخمینی در مقاله پیش رو، ارائهگر الگویی مشخص و دقیق به منظور تخمین عیار در مواجهه با تعداد داده های محدود به تصمیم گیران این صنعت می باشد.