【技术实现步骤摘要】
一种基于群体决策集成学习的泡沫浮选工况识别方法
本专利技术涉及有色冶金领域，更具体地，涉及一种基于群体决策集成学习的泡沫浮选工况识别方法。
技术介绍
矿产资源是保留有限的不可再生资源，选矿是将有用的矿物从原矿石中分离出来的过程。泡沫浮选是使用最广泛的选矿方法之一，通过泡沫浮选回收有用矿物的经济价值几乎是原矿石管理成本的两倍。在泡沫浮选的过程中，将矿浆与空气和化学试剂搅拌形成气泡，然后有用的矿物粘附在这些气泡上，而无用的矿物留在矿浆中。合理的药剂添加量可以提高矿物回收率，避免药剂的浪费，是泡沫浮选中最重要的控制变量。泡沫浮选中的关键参数如精矿品位、矿物回收率和尾矿品位可以为试剂的添加提供反馈，但不能实时测量。因此，经验丰富的工人通过观察泡沫的表面特征，对试剂添加量进行合理的调整。但是，由于工作人员的随意性和主观性，很难实现对试剂添加量的最优控制。近年来，基于机器视觉的泡沫浮选技术被用于降低人工观察的随意性和主观性，有利于实现高效、绿色的智能制造目标。基于机器视觉的泡沫浮选工况识别的主要思想是利用计算机模拟人工观察来对泡...
【技术保护点】
1.一种基于群体决策集成学习的泡沫浮选工况识别方法，其特征在于，包括以下步骤：/nS1：收集泡沫浮选数据集D
【技术特征摘要】
1.一种基于群体决策集成学习的泡沫浮选工况识别方法，其特征在于，包括以下步骤：
S1：收集泡沫浮选数据集Dn×m以及专家经验知识，其中行n代表样本，列m代表特征；
S2：利用联结主义学习与符号主义学习生成K个个体学习器，然后个体学习器k对工况i的三个属性(隶属度、非隶属度以及犹豫度)分别给出属性值其中j代表属性；
S3：根据个体学习器对于各个工况的查全率、查准率以及准确率，提出用2AGSAIVIFCA算子计算个体学习器k对于工况i的权重Wik(k＝1,2,...,K,i＝1,2,...,8)；
S4：利用混合状态转移算法，找到最优的属性权重wi(i＝1,2,3)；
S5：利用群体多属性决策方法，获取工况识别结果。
2.根据权利要求1所述的一种基于群体决策集成学习的泡沫浮选工况识别方法，其特征在于，所述S1中将收集到的专家关于工况识别的经验知识以“if-then”的形式保存为知识库，并利用符号主义学习建立推理机，与根据数据集获得的个体学习器一起作为决策者。
3.根据权利要求1所述的一种基于群体决策集成学习的泡沫浮选工况识别方法，其特征在于，所述S3中个体学习器的查全率(R)、查准率(P)以及准确率(A)并不是互相独立的，利用2AGSAIVIFCA算子将他们聚合为一个综合属性，从而获得个体学习器的权重。2AGSAIVIFCA算子定义为：
其中Ai＝{ai,ai+1,...,an}。
计算个体学习器k对于工况i的权重Wik的主要步骤包括：
S31：计算属性的交叉熵:
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。