CN103839057B - 一种锑浮选工况识别方法及系统 - Google Patents
一种锑浮选工况识别方法及系统 Download PDFInfo
- Publication number
- CN103839057B CN103839057B CN201410122812.3A CN201410122812A CN103839057B CN 103839057 B CN103839057 B CN 103839057B CN 201410122812 A CN201410122812 A CN 201410122812A CN 103839057 B CN103839057 B CN 103839057B
- Authority
- CN
- China
- Prior art keywords
- operating mode
- foam characteristics
- crucial
- identified
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种锑浮选工况识别方法及系统,包括:对记录的锑浮选泡沫图像特征数据进行预处理;从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征;基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重;基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势。
Description
技术领域
本发明涉及泡沫浮选技术领域,具体涉及一种锑浮选工况识别方法及系统。
背景技术
锑常被称为金属或合金的硬化剂,在金属中加入比例不等的锑后,金属的硬度就会加大,可以用来制造军火,锑成为重要的战略金属。锑矿是属于不可再生资源,在国民经济中的地位重要,为充分利用有限的矿产资源,实现矿产资源的可持续发展,现代锑冶炼过程越来越重视矿物资源的分选水平以及选矿过程中的能耗与排放问题。为此,许多大型企业建立了矿物泡沫浮选生产线。
泡沫浮选是一种利用矿物表面物理化学性质的差异,使目标矿物与矿浆分离的选矿方法,相对其他选矿方法而言,浮选的分选效率较高、应用最为广泛。泡沫表观特征(如泡沫尺寸、颜色、纹理等)是生产工况的综合反映,浮选现场主要由经验丰富的操作人员通过肉眼观察泡沫表观状态进行工况判断,这种方法生产效率低、劳动强度大。此外,浮选操作及入矿条件的改变会引起泡沫特征的变化,而操作人员对泡沫的判断没有客观标准、主观随意性大,导致浮选过程难以处于优化运行状态,浮选效率低、工况不稳定、矿物资源浪费多,直接造成企业生产成本增加,严重影响企业在市场中的竞争力。因此,浮选工况的实时准确识别是优化浮选生产操作、保证浮选过程稳定高效运行的关键。
浮选工况的识别是一个十分复杂的多特征参数综合识别问题。目前文献对锑浮选工况识别的研究主要是在提取浮选泡沫图像的纹理特征、颜色特征等特征参数的基础上,利用神经网络或支持向量机等方法进行工况识别。然而,神经网络要求训练样本大,存在过学习、易陷入局部极小点和收敛速度慢等缺点;支持向量机的计算量大,难选择合适的核及当类别过近时准确率骤降等问题,在应用上仍存在一定困难。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种锑浮选工况识别方法,能够利用博弈论方法和物元可拓理论,从定性和定量两个方面对浮选工况进行识别。
(二)技术方案
为了达到以上目的,本发明通过以下技术方案予以实现:
一种锑浮选工况识别方法,该方法包括:
S1:对记录的锑浮选泡沫图像特征数据进行预处理;
S2:从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征;
S3:基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;
S4:采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重;
S5:基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势。
其中,步骤S1具体包括:
S11:剔除缺少主要数据的空缺数据项;
S12:剔除超出每个参数变量区间的错误数据项;
S13:获取各泡沫特征数值后,对各数值进行无量纲化处理。
其中,步骤S2具体包括:
S21:从锑浮选泡沫图像采集系统中获取若干个泡沫特征;
S22:计算每次加药量改变之后工况进入稳定期间的泡沫图像特征变量均值σ和方差δ,并作为一个样本保存;
S23:同样方法采集若干个样本(σi,δi),i=1,2,…,n,n为泡沫特征的个数;
S24:计算样本集中均值σi的方差σk和方差δi的均值δv,并计算敏感性指数S,其中S=δv/σk;
S25:若某个泡沫特征的敏感性指数大于等于所设定的阈值,则判定该特征为工况敏感特征,则根据其从所有的泡沫特征中提取若干个工况敏感特征;
S26:利用主成分分析法对所述工况敏感特征进行相关性分析,得到若干个关键泡沫特征。
其中,步骤S3具体包括:
S31:确定关键泡沫特征的经典域;
S32:确定关键泡沫特征的节域;
S33:确定待识别的浮选工况;
S34:确定待识别工况的关键泡沫特征与浮选预设工况类别的关联度矩阵。
其中,步骤S4具体包括:
S41:利用熵权法确定客观权重;
S42:利用层次分析法确定主观权重;
S43:基于博弈论,利用客观权重和主观权重得到关键泡沫特征的综合权重。
其中,步骤S5包括:
S51:计算待识别工况关于浮选预设工况类别的综合关联度;
S52:判断待识别工况所属工况类别;
S53:预测待识别工况等级变化的趋势。
一种锑浮选工况识别系统,该系统包括:预处理单元、关键特征提取单元、关联度单元、权重单元以及识别单元;
预处理单元,用于对记录的锑浮选泡沫图像特征数据进行预处理;
关键特征提取单元,用于从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征;
关联度单元,用于基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;
权重单元,用于采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重;
识别单元,用于基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势。
(三)有益效果
本发明至少有如下有益效果:
本发明提出了一种实时准确识别浮选工况的方法,该方法通过对泡沫图像特征进行敏感性指数分析,并结合主成分分析法提取泡沫图像关键特征;采用博弈论方法,将熵权法获得的泡沫特征客观权重和层次分析法获得的主观权重优化融合,克服传统权重确定方法只依赖数据样本的客观权重,而忽略特征本身对浮选工况的重要度差异的缺陷,获得能真实反映泡沫特征重要度差异的泡沫特征权重系数;利用物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;从定性和定量两方面对浮选工况进行识别。本发明克服了传统方法利用一种泡沫特征进行工况识别造成信息缺少,识别率低的缺点;传统方法随意选取特征的缺点;忽略因素间相互耦合的缺点。该方法计算简便,执行速度快,识别率高,便于在工程实际中推广,以及时指导操作变量的调整,实现优化生产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是本发明实施例中一种锑浮选工况识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例中一种锑浮选工况识别方法,该方法包括如下步骤:
S1:对记录的锑浮选泡沫图像特征数据进行预处理。
其中,基于数字图像处理的锑浮选泡沫图像采集系统中提取的数据库中包含了大量的记录,但是这些记录中不乏存在一些错误和不完整的数据,因此首先需进行数据预处理。详细步骤如下:
(1)剔除缺少主要数据的空缺数据项;
(2)剔除超出每个参数变量区间的错误数据项;
(3)由于各泡沫特征的量纲不同,因此在获得特征数值后,需解决特征间的可综合性问题,对各数值进行无量纲化处理,方法如下:
当对泡沫特征的要求属于越小越优性:
当对泡沫特征的要求属于越大越优性:
其中:vi和分别为第i个泡沫特征在无量纲化前和后的取值;
和分别为第i个泡沫特征在无量纲化前的最大值与最小值。
S2:从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征。
其中,并不是每个泡沫特征都与工况密切相关,且与工况相关的泡沫特征之间存在冗余,增加了工况分析的难度与复杂度,甚至影响对工况的准确识别。因此必须选取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征。详细步骤如下:
(1)通过锑浮选泡沫图像采集系统获得若干个泡沫特征;本实施例中获得了速度、稳定度、灰度均值、红色均值、绿色均值、蓝色均值、泡沫尺寸、尺寸方差、承载量、相对红色分量、亮度、峰值、偏斜度共13个泡沫特征;
(2)计算每次加药量改变之后工况进入稳定期间的泡沫图像特征变量均值σ和方差δ,并作为一个样本保存;
(3)同样方法采集(σi,δi),i=1,2,…,n,n为泡沫特征的个数;
(4)计算样本集中均值σi的方差σk和方差δi的均值δv,定义敏感性指数S为:S=δv/σk,其中σk反映的是工况平稳时工况敏感性特征波动小;δv反映的是工况改变时工况敏感性特征变化迅速且有一定幅度;
(5)如果某个图像特征的敏感性指数满足S≥ξ(ξ由经验确定的敏感指数阈值),则认为该特征为工况敏感性特征;
(6)可以得到若干个泡沫特征,如本实施例中得到了灰度均值、泡沫尺寸、尺寸方差、亮度、承载率、亮度这6个泡沫特征;
(7)在用主成分分析法对这6个泡沫特征进行相关性分析;
(8)得到灰度均值、泡沫尺寸、尺寸方差、亮度这4个关键泡沫特征。
S3:基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵。
可拓学现已形成富有特色的理论框架,主要是:1、建立了基元理论和可拓集合理论;2、建立可拓逻辑;3、建立可拓工程理论等。
可拓集合是在经典集合和模糊集合的基础上发展起来的,将实变函数中点与点的距离概念拓广为“距”的概念,实轴上点x与实区间X=<a,b>的距定义如下:
其中,<a,b>=[a,b],[a,b),(a,b]or(a,b)。
详细步骤如下:
(1)确定关键泡沫特征的经典域:
本发明中经典域是指某类浮选工况下各关键泡沫特征的取值范围。
根据生产指标(精矿品位和尾矿品位),把锑浮选分成y个典型工况(本发明y=5,优、良、中、较差、差),将各类型下的最优样本存入最优图像特征库;
计算各典型工况类型下样本的关键泡沫图像特征的标准差与均值;
经典域即为<μi-σi,μi+σi>,μi,σi为第i(i=1,2,…,n)个关键泡沫特征的均值与标准差
把浮选工况划分成y类典型工况,反映工况处于何种工况的关键泡沫特征有n个(本发明n=4),则第j(j=1,2,...,y)类工况的经典物元模型R0j表示为:
式中:Nj表示第j类工况类别名称,ci和v0ji分别表示第j类工况下泡沫特征名称及其对应的取值范围,经典域即为<a0ji,b0ji>。
(2)确定关键泡沫特征的节域;
节域即为最优图像特征库中各关键泡沫特征的取值范围,浮选工况的节域物元模型RP表示为:
式中:NP表示各浮选工况类别的全体,ci和vPi分别表示泡沫特征名称及其取值范围,节域即为<aPi,bPi>。
(3)确定待评物元RT;
本发明的待评物元即待识别的浮选工况,待评物元Rt表示为:
式中:T为待识别的浮选工况类别;ci表示泡沫特征名称;vti表示T工况下通过锑浮选泡沫图像采集系统获取得到ci的无量纲化后数值。
(4)确定待识别工况的关键泡沫特征与浮选预设工况类别的关联度矩阵;
参考可拓理论中的关联函数公式,对于待识别的浮选工况,它的第i个泡沫特征关于第j类工况的关联度为:
其中,i=1,2,...,n;j=1,2,...,y;
进而建立关键泡沫特征关于预设工况类别的关联度矩阵:
S4:采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重。
权重系数反映了泡沫特征在工况类别中的贡献程度,直接关系到识别结果的可信度,因此,泡沫特征权重的确定是工况识别中的核心问题。一般的分类模型都是假设训练集中样本的特征对分类器的贡献均相同,忽略了特征的重要度差异。而实际问题中,该差异是客观存在的,且受决策者的主观因素影响。因此,本发明实施例采用博弈论,将熵权法获得的客观动态权重与层次分析法获得的主观静态权重进行综合,得到待识别工况下泡沫特征的综合权重,能更真实的反映泡沫特征重要度程度。详细步骤如下:
(1)利用熵权法确定主观权重;
泡沫的表观特征对工况波动的反应快慢各不同,因此他们对浮选工况的重要度不同。根据信息熵的概念,若某个泡沫特征参数的信息熵越小,则该特征数值的变异程度越大,在综合判断中所承载的信息量和作用越大,该特征就越重要,熵权也就越大。熵权法是根据特征参数数值的变异程度来确定权重的一种客观赋权方法。泡沫特征的熵权计算步骤如下:
Step1:设浮选工况体系中有y个类别,每个待评物元有n个关键泡沫特征,构建判断矩阵R。本文的判断矩阵为式(8)计算得到的关联度矩阵的转置即R=KT。
Step2:对判断矩阵R进行归一化处理,为方便,仍记为R=(rji)y×n。
Step3:计算泡沫特征的熵Hi。
其中,若fji=0,则lnfji无意义,应对fji进行修正:
Step4:计算泡沫特征的熵权A。
且
(2)利用层次分析法(AHP)确定主观权重:
层次分析法是通过引入合适的标度,对层次中各因素用数值方式将相对重要性给出判断。根据两两比较标度(如表1所示),结合浮选现场操作者经验,构造判断矩阵J,如表2所示。
表1 判断矩阵比较标度
表2 判断矩阵
c1 | c2 | c3 | c4 |
c1 | 1 | 5 | 3 | 4 |
c2 | 1/5 | 1 | 1/2 | 1/2 |
c3 | 1/3 | 2 | 1 | 1 |
c4 | 1/4 | 2 | 1 | 1 |
由于很难求解判断矩阵J精确的特征值和特征向量,本实施例中采用方根法近似求得最大特征根λmax=4.021和正规化特征向量W=[0.555 0.095 0.181 0.169]。
为确保结论是否符合实际状况,判断矩阵需进行一致性检验.当一致性比率CR<0.1时,判断矩阵的不一致性程度在容许范围内,否则,需重新构造判断矩阵J。经检验,本实施例中CR=0.008<0.1,满足一致性检验要求。因此用层次分析法求得泡沫特征权重矩阵W=(wi)1×n=[0.555 0.095 0.181 0.169]。
(3)基于博弈论得到综合权重模型:
根据博弈论思想,可使用L(本实施例中L=2)种不同的方法对泡沫特征进行赋权,分别得到特征的权重,由此构造一个基本的权重向量uk={uk1,uk2,...,uky},(k=1,2,...,L),这L个权重向量的任意线性组合为:
对式(11)中L个线性组合系数αk进行优化,使得u*与各个uk的离差极小化,从而在权重向量u*中选出最满意的权向量u。
可得到下面的对策模型:
根据矩阵的微分性质,可以得出式(12)的最优化导数条件如下:
运用MATLAB进行编程求解式(13),并对得到的αk归一化处理:
则泡沫特征的综合权重为:
S5:基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势。
详细步骤如下:
(1)计算待识别工况T关于浮选预设工况类别j的综合关联度:
Kj(T)=U·K (16)
其中,U为泡沫特征的综合权重。
(2)判别待评物元所属工况类别;
a.若对任意类别j有Kj(T)≤0,则待识别工况不在划分类别中,并作为异常工况(如断料或跑槽等)提醒操作人员注意其它操作条件的变化。
b.若工况类别j0满足Kj0(T)>0且Kj0(T)=max(Kj(T)),j∈(1,2,3,4,5),根据最大关联度原则,确定待评物元T属于第j0类工况。
(3)令则定义类别变量特征值
令γ=j*-j0,γ是待识别工况等级变化的趋势度。
其中,若γ>0,则待识别工况类别趋于第(j0+1)类工况等级;若γ<0,则待识别工况类别趋于第(j0-1)类工况等级。
本发明实施例提出一种基于博弈论-物元可拓识别模型来识别浮选工况的方法。可拓理论利用物元模型定性分析,用关联函数定量计算,并用“距”的概念来描述点与区间的距离,将泡沫特征标准由单一确定值转变为区间值,最大限度地利用了现场实际获取泡沫特征的数据。引入博弈论将客观动态权重与主观静态权重优化融合得到泡沫特征的综合权重,弥补了传统权重确定方法只依赖数据样本的客观权重,而忽略特征本身对浮选工况的重要度差异的缺陷,更科学、全面地确定了特征权重。将待识别工况下实际获取特征数据带入可拓识别模型中,用综合关联度来对工况进行判别,实现了对浮选工况的实时、准确识别,减少了误判率。该方法计算简便,执行速度快,识别率高,便于在工程实际中推广,以及时指导操作变量的调整,实现优化生产。
本发明实施例还提供了一种锑浮选工况识别系统,该系统包括:预处理单元、关键特征提取单元、关联度单元、权重单元以及识别单元。
预处理单元,用于对记录的锑浮选泡沫图像特征数据进行预处理;关键特征提取单元,用于从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征;关联度单元,用于基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;权重单元,用于采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重;识别单元,用于基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合关联度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种锑浮选工况识别方法,其特征在于,该方法包括:
S1:对记录的锑浮选泡沫图像特征数据进行预处理;
S2:从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征;
S3:基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;
S4:采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重;
S5:基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势;
其中,步骤S3具体包括:
S31:确定关键泡沫特征的经典域;
S32:确定关键泡沫特征的节域;
S33:确定待识别的浮选工况;
S34:确定待识别工况的关键泡沫特征与浮选预设工况类别的关联度矩阵。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体包括:
S11:剔除缺少主要数据的空缺数据项;
S12:剔除超出每个参数变量区间的错误数据项;
S13:获取各泡沫特征数值后,对各数值进行无量纲化处理。
3.根据权利要求1所述的方法,其特征在于,步骤S2具体包括:
S21:从锑浮选泡沫图像采集系统中获取若干个泡沫特征;
S22:计算每次加药量改变之后工况进入稳定期间的泡沫图像特征变量均值σ和方差δ,并作为一个样本保存;
S23:同样方法采集若干个样本(σi,δi),i=1,2,…,n,n为泡沫特征的个数;
S24:计算样本集中均值σi的方差σk和方差δi的均值δv,并计算敏感性指数S,其中S=δv/σk;
S25:若某个泡沫特征的敏感性指数大于等于所设定的阈值,则判定该特征为工况敏感特征,则根据其从所有的泡沫特征中提取若干个工况敏感特征;
S26:利用主成分分析法对所述工况敏感特征进行相关性分析,得到若干个关键泡沫特征。
4.根据权利要求1所述的方法,其特征在于,步骤S4具体包括:
S41:利用熵权法确定客观权重;
S42:利用层次分析法确定主观权重;
S43:基于博弈论,融合客观权重和主观权重得到关键泡沫特征的综合权重。
5.根据权利要求1所述的方法,其特征在于,步骤S5包括:
S51:计算待识别工况关于浮选预设工况类别的综合关联度;
S52:判断待识别工况所属工况类别;
S53:预测待识别工况等级变化的趋势。
6.一种锑浮选工况识别系统,其特征在于,该系统包括:预处理单元、关键特征提取单元、关联度单元、权重单元以及识别单元;
预处理单元,用于对记录的锑浮选泡沫图像特征数据进行预处理;
关键特征提取单元,用于从泡沫图像特征处理后的数据中提取对工况变化敏感性高且相互间无相关性或弱相关性的关键泡沫特征;
关联度单元,用于基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵;
权重单元,用于采用博弈论方法,通过最优化理论将主观赋权法和客观赋权法进行综合,得到关键泡沫特征的综合权重;
识别单元,用于基于关联度矩阵和综合权重计算待识别工况关于预设工况类别的综合相关度,根据最大关联度原则确定待识别工况所属类别,并预测工况等级变化趋势;
其中,所述基于物元可拓理论,融合多种关键泡沫特征,通过关联函数建立待识别工况的关键泡沫特征与预设工况类别的关联度矩阵,包括:
S31:确定关键泡沫特征的经典域;
S32:确定关键泡沫特征的节域;
S33:确定待识别的浮选工况;
S34:确定待识别工况的关键泡沫特征与浮选预设工况类别的关联度矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410122812.3A CN103839057B (zh) | 2014-03-28 | 2014-03-28 | 一种锑浮选工况识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410122812.3A CN103839057B (zh) | 2014-03-28 | 2014-03-28 | 一种锑浮选工况识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839057A CN103839057A (zh) | 2014-06-04 |
CN103839057B true CN103839057B (zh) | 2017-03-15 |
Family
ID=50802536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410122812.3A Active CN103839057B (zh) | 2014-03-28 | 2014-03-28 | 一种锑浮选工况识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839057B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866831B (zh) * | 2015-05-29 | 2018-06-05 | 福建省智慧物联网研究院有限责任公司 | 特征加权的人脸识别算法 |
CN105300954B (zh) * | 2015-09-02 | 2018-04-13 | 中南大学 | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 |
CN106597898B (zh) * | 2016-12-16 | 2019-05-31 | 鞍钢集团矿业有限公司 | 一种基于行为画像的浮选生产过程控制方法及系统 |
CN107341349B (zh) * | 2017-06-30 | 2020-04-14 | 上海交通大学 | 风机健康评估的方法、系统、存储器及控制器 |
CN109670383B (zh) * | 2017-10-16 | 2021-01-29 | 杭州海康威视数字技术股份有限公司 | 视频遮蔽区域选取方法、装置、电子设备及系统 |
CN108931621B (zh) * | 2018-05-11 | 2020-10-02 | 中南大学 | 一种基于过程纹理特征的锌矿品位软测量方法 |
CN109359524B (zh) * | 2018-09-07 | 2021-06-22 | 长安大学 | 一种装载机工况识别模型构建及识别方法 |
CN109345029A (zh) * | 2018-10-26 | 2019-02-15 | 石家庄铁道大学 | 一种基于改进Topsis法的隧道施工优选方法 |
CN110148132B (zh) * | 2019-05-28 | 2022-04-19 | 中南大学 | 一种基于尺寸特征相似性度量的模糊故障诊断预报表示方法 |
CN110310286B (zh) * | 2019-07-02 | 2022-04-22 | 中南大学 | 基于泡沫图像多特征的分层工况感知判别方法 |
CN110610285A (zh) * | 2019-07-22 | 2019-12-24 | 中南大学 | 一种地下金属矿采空区危险度分级评价方法 |
CN110766673B (zh) * | 2019-07-22 | 2021-04-30 | 中南大学 | 一种基于欧式距离判定的纹理粗糙度定义方法 |
CN110728253B (zh) * | 2019-07-22 | 2021-03-02 | 中南大学 | 一种基于颗粒粗糙度的纹理特征度量方法 |
CN111709942B (zh) * | 2020-06-29 | 2022-04-12 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
CN115861672B (zh) * | 2022-12-20 | 2023-09-19 | 中南大学 | 一种基于图像特征联合分布的泡沫浮选运行性能评估方法 |
CN115798021B (zh) * | 2023-01-31 | 2023-04-18 | 中国民用航空飞行学院 | 一种飞行员航前异常状态检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334844A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 用于浮选泡沫图像分析的关键特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705866B2 (en) * | 2010-12-07 | 2014-04-22 | Sony Corporation | Region description and modeling for image subscene recognition |
-
2014
- 2014-03-28 CN CN201410122812.3A patent/CN103839057B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334844A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 用于浮选泡沫图像分析的关键特征提取方法 |
Non-Patent Citations (3)
Title |
---|
动态纹理建模在硫浮选工况的识别分析;陈青等;《计算机与应用化学》;20131028;第30卷(第10期);第3.4节、第4章 * |
基于泡沫纹理信度分配SVM的矿物浮选工况识别;阳春华等;《仪器仪表学报》;20111031;第32卷(第10期);摘要,第3章、第4章第4.1节,图1 * |
层次-熵值组合赋权法在雷达辐射源识别中的应用;周霖仪等;《指挥控制与仿真》;20091231;第31卷(第6期);第2章 * |
Also Published As
Publication number | Publication date |
---|---|
CN103839057A (zh) | 2014-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839057B (zh) | 一种锑浮选工况识别方法及系统 | |
CN103116756B (zh) | 一种人脸检测与跟踪方法及装置 | |
CN109034205A (zh) | 基于直推式半监督深度学习的图像分类方法 | |
CN102930350B (zh) | 绿色产品设计方案的不确定性优化决策方法 | |
CN102629305B (zh) | 一种面向snp数据的特征选择方法 | |
CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
CN109492561A (zh) | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 | |
CN110033141B (zh) | 一种脱硫系统运行工况数据库的建立方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN104778378A (zh) | 一种油气田产量递减影响因素分析方法 | |
CN109740661A (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN106384300A (zh) | 基于大数据和模糊模型的建筑异常用能检测方法及系统 | |
CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
CN106803010A (zh) | 用于低渗透储层定量评价的模糊灰色综合评判方法和装置 | |
CN111539845A (zh) | 一种基于用电模式隶属评分的企业环保管控响应研判方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN102663723A (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN109656808A (zh) | 一种基于混合式主动学习策略的软件缺陷预测方法 | |
CN107680099A (zh) | 一种融合ifoa和f‑isodata的图像分割方法 | |
Xu et al. | Multi-model soft measurement method of the froth layer thickness based on visual features | |
CN102938053A (zh) | 一种基于计算机视觉的甘蔗特征提取与识别方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
Liang et al. | Flotation froth image segmentation based on highlight correction and parameter adaptation | |
CN112329969A (zh) | 一种基于支持向量机的建筑智能化工程投资预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |