نوع مقاله : علمی -پژوهشی

نویسندگان

• سید سعید قنادپور
• اردشیر هزارخانی
• ترانه رودپیما

دانشگاه صنعتی امیرکبیر

چکیده

تجزیه و تحلیل داده‌ها به ما کمک می‌کند تا بدانیم چگونه می­بایست به نتایج مورد انتظار دست­یابیم، بنابراین برای دستیابی به پردازش‌هایی 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 نمونه‌های حاصله از عملیات نمونه‌برداری 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 شبکه‌های عصبی بهره خواهیم گرفت. یکی از دیدگاه­های مهم در علم داده­کاوی برای تحلیل و بررسی روی حجم زیادی از داده‌ها و نمونه‌ها با مشخصه­های گوناگون، دیدگاه خوشه­بندی می­باشد. از معروف­ترین الگوریتم­های خوشه­بندی، الگوریتم KNN و K-Means می‌باشد که الگوریتم KNN بر اساس تخمین پیش می‌رود و روشی غیر پارامتری جهت کلاسه­بندی و رگرسیون­گیری و به دست آوردن روابط چندین متغیر می‌باشد در حالی که K-Means بر اساس یک معیار فاصله، داده‌ها را به K خوشه تقسیم می‌کند و پس از کلاسه­بندی داده‌ها، رفتار آنها نسبت به یکدیگر را مورد تحلیل قرار می‌دهد. شبکه‌های عصبی در تشخیص الگو­ها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند، می‌توانند ابزاری سودمند باشند. به منظور شبیه­سازی و تخمین عیار مس، الگوریتم­های یاد شده با یکدیگر مورد مقایسه واقع شده و در نهایت نتایج ارائه شده‌اند. در مقاله پیش­ رو، هدف مقایسه نتایج این سه روش به منظور تعمیم آن برای سایر پژوهش‌ها در مواجهه با تعداد داده‌های محدود و هموار ساختن مسیر برای محققین می‌باشد. نتایج حاصله نشان می‌دهد که روش KNN با ضریب همبستگی مناسب­تر نسبت به شبکه‌های 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 داده‌های محدود به تصمیم‌گیران این صنعت می‌باشد.

کلیدواژه‌ها

• پرکام
• داده کاوی
• شبکه های عصبی

عنوان مقاله [English]

Comparing Neural Networks with Data Mining techniques to simulate Cu; case study: Parkam Kerman

چکیده [English]

Data analysis helps us to understand how we should achieve the expected results, so as to achieve more accurate processes, it is necessary to choose an analyzing method that is the best one for our subject. In order to analyze surface samples of Parkam district based on four values of longitude and latitude of sampling points and grades of copper and Molybdenum, we use the three useful method of K-Nearest Neighbor (KNN), K-Means and Neural Networks. One of the important viewpoints in data mining to analyze and investigate high volume of data and samples with different characteristics is clustering viewpoint that itself include different methods and techniques. One of the most famous algorithms of clustering is KNN algorithm to estimate according to the training examples. In fact, it is a non-parametric method used for classification and regression in order to reach relationships among variables while K-Means algorithm tries to divide data in K clusters based on a distance criterion. Neural networks can be useful tools in pattern recognition while there is not much information available for interpretation. In present study, to simulate and estimate copper grade in porphyry copper system of Parkam located in Kerman province, different learning algorithms that are mentioned are compared and results are shown. In this paper, comparing the results of the three algorithms is our target to pave the way of researchers. The results show that KNN has more correlation in contrast of neural networks and K-Means so using KNN can be more effective to estimate copper grade. The advantage of using KNN method relative to other estimation methods in present study is providing a specified and accurate pattern for decision makers in industry to estimate grade.

کلیدواژه‌ها [English]

• parkam
• Data Mining
• Neural Networks