فهرست نشریات علمی دسترسی آزاد ایران

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.