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）的高光譜數據，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 “純凈數據"，防止其它顏色區(qū)域數據的干擾，

通過查詢顏色欄數據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個波段從數據分析中剔除，

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據（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據進行處理。基于樹突網絡模型對比原始光譜數據，探索出HSI光譜數據的最佳預處理方法，結果如表2所示。預測集中，與原始數據相比，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。基于鈦鐵礦多組分品位（平均品位）與顏色特征參數進行Pearson相關性分析。

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

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據集的表現最好，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據結果，可以看出，兩個數據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對兩組數據集的預測都是成功的，

但利用圖像數據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據。

從iPLS-VCPA-IRIV特征選擇的擬合光譜數據圖可以看出，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。