基于改进LS-SVM的浮选回收率预测研究

论文摘要

在阴离子反浮选过程中浮选回收率一直是一个很重要的经济指标,它是选矿厂工艺技术水平和管理水平高低的重要标致,因此需要对回收率精确预测,以便更好地控制。但由于浮选回收率与其影响的因素之间具有强非线性、不确定性,难以用精确的数学模型来描述等特点,长期以来,一直制约着人们对浮选回收率测量模型的建立。为了解决上述难题,本文依据某选矿厂浮选生产实际,提出了一种新的回收率预测方法。该方案采用改进加权的LS-SVM构造预测模型,以浮选泡沫图像特征作为模型输入,通过遗传算法实现LS-SVM参数的优化,弥补了以往很多不足之处。文章首先对现场采集到的泡沫图像进行特征提取,挖掘出红色分量、泡沫尺寸、泡沫速度、承载量、破碎率值与浮选回收率存在的一定对应关系。然后采用模糊C-均值聚类的方法进行数据分类处理,剔除一些不理想的数据,采用遗传神经网络算法进行数据清洗,清除数据中包含噪声、不完整、不一致的数据。接着进一步对泡沫图像的特征值和浮选回收率之间的关系进行研究,分析以往的算法一些不足之处后,本文采用一种改进的LS-SVM建立泡沫图像特征到浮选回收率的预测模型,并在Matlab平台上进行仿真测试。结果表明,采用改进后的LS-SVM建立的模型能更精确地预测浮选回收率指标,符合生产过程需求。最后本文对浮选回收率预测进行了软件设计,实现了数据可视化查询和回收率的预测功能。软件模块开发是基于VB.NET平台和Matlab平台实现的。VB.NET主要完成界面设计和一些算法的编程,Matlab平台主要完成在线趋势图等一些算法的编程设计,并且供VB.NET调用,实现了优势互补。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 阴离子反浮选工艺简介
• 1.3 影响浮选回收率因素
• 1.4 预测控制发展与研究现状
• 1.4.1 预测控制的发展
• 1.4.2 预测控制研究现状
• 1.5 浮选泡沫图像技术的发展与应用
• 1.5.1 浮选泡沫图像技术的发展
• 1.5.2 浮选泡沫数字图像技术应用现状
• 1.6 本文主要研究内容及各章节安排
• 第二章 浮选泡沫图像理论与特征提取研究
• 2.1 数字图像基本理论及结构原理
• 2.1.1 数字图像的表示方法
• 2.1.2 位图的结构
• 2.1.3 图像的数字化
• 2.2 浮选泡沫图像预处理
• 2.2.1 空间域图像滤波
• 2.2.2 图像的灰度变换
• 2.3 图像的特征提取
• 2.3.1 图像的颜色特征提取
• 2.3.2 图像形状特征提取
• 2.3.3 本文对泡沫图像特征提取
• 2.4 小结
• 第三章 建模前数据的预处理
• 3.1 离线的学习系统数据预处理方法
• 3.1.1 样本的数据采集
• 3.1.2 基于模糊C-均值聚类数据处理
• 3.1.3 基于遗传神经网络的数据清洗
• 3.2 在线系统的数据预处理方法
• 3.2.1 实时数据的数字滤波处理
• 3.2.2 基于控制图法的实时数据预处理
• 3.3 本章小结
• 第四章 基于MATLAB 平台的LS-SVM 改进模型仿真研究
• 4.1 引言
• 4.2 LS-SVM 原理
• 4.2.1 LS-SVM 回归原理
• 4.2.2 核函数
• 4.2.3 参数优化方法
• 4.2.4 LS-SVM 的缺陷
• 4.3 改进的LS-SVM 模型
• 4.3.1 改进的加权LS-SVM
• 4.3.2 基于遗传算法的LS-SVM 参数优化
• 4.4 模型预测仿真及误差分析
• 4.5 小结
• 第五章 基于改进LS-SVM 的浮选回收率预测软件模块设计
• 5.1 软件模块结构功能及界面设计
• 5.2 软件测试与算法实现
• 5.2.1 图像处理算法实现
• 5.2.2 图像特征提取算法实现
• 5.2.3 浮选回收率预测算法实现
• 5.2.4 数据在线趋势图算法实现
• 5.3 本章小结
• 第六章 结论与展望
• 参考文献