基于数据和知识双驱动集成学习的泡沫浮选工况识别方法技术

本公开实施例中提供了一种基于数据和知识双驱动集成学习的泡沫浮选工况识别方法，属于数据处理技术领域，具体包括：收集不同工况下的泡沫图像；提取泡沫经验特征，形成原始训练数据集；用多种机器学习算法生成相同数量的基学习器；根据先验知识从待预测图像中提取泡沫特征，基学习器根据泡沫特征预测得到待预测图像属于各种工况的概率，然后利用各基学习器在验证集中的先验模型知识修正对待预测图像的预测概率；将基学习器修正后的预测概率构成决策矩阵，使用灰色关联—优劣解距离法评价每种工况；根据泡沫浮选所有工况的综合评价值，选出综合评价值最大的工况类型作为最终预测工况。通过本公开的方案，提高了预测适应性和精准度。

【技术实现步骤摘要】

本公开实施例涉及数据处理，尤其涉及一种基于数据和知识双驱动集成学习的泡沫浮选工况识别方法。

技术介绍

1、目前，矿产资源是保障人类社会发展的不可再生资源，泡沫浮选是分选矿物时最常用的一种分离方法，适用于几乎所有矿石。浮选泡沫的表面状态主要有泡沫颜色、大小、形状、纹理粗细度等特征，可以综合反映浮选工况的信息，是浮选工况与工艺指标的直接指示剂。通过观察浮选泡沫的表面视觉特征，合理调整药剂的添加量，能更精确地实现矿物和杂质的分离，从而提高矿物的回收率，同时避免药剂的浪费。因此，浮选过程生产状况的识别对于提高精矿品位和矿物的回收率具有重要意义。在实际生产中，浮选过程主要依赖于经验丰富的工人，他们通过肉眼观察浮选槽表面的泡沫状态来进行现场操作。然而，这种生产方式存在较强的主观性和随意性，难以对浮选泡沫状态进行客观评价，从而导致浮选生成指标频繁波动、原料损失严重、药剂消耗量大以及资源回收率低等问题。

2、基于机器视觉的泡沫浮选是利用已有数据和学习算法训练出分类模型，能自动进行泡沫浮选过程的工况识别，来降低人工识别的不确定性，是浮选过程的发展趋势。直接利用学本文档来自技高网...

【技术保护点】

1.一种基于数据和知识双驱动集成学习的泡沫浮选工况识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：

3.根据权利要求2所述的方法，其特征在于,所述步骤3具体包括：

4.根据权利要求3所述的方法，其特征在于,所述步骤4具体包括：

5.根据权利要求1所述的方法，其特征在于,所述步骤5具体包括：

6.根据权利要求5所述的方法，其特征在于,所述最终预测工况的表达式为

【技术特征摘要】

1.一种基于数据和知识双驱动集成学习的泡沫浮选工况识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：

3.根据权利要求2所述的方法，其特征在于,所述步骤3具体包括：<...

【专利技术属性】
技术研发人员：周晓君，何一平，杜洋伊，
申请(专利权)人：中南大学，
类型：发明
国别省市：