CN112884024B - 一种基于群体决策集成学习的泡沫浮选工况识别方法 - Google Patents

Abstract

本发明公开了一种基于群体决策集成学习的泡沫浮选工况识别方法，以提高工况识别的准确率，为实现药剂添加量的最优控制提供基础，进而提升矿物回收率，本发明方法包括：收集泡沫浮选数据集以及专家经验知识；利用联结主义学习与符号主义学习生成个体学习器；根据个体学习器的性能，利用2AGSAIVIFCA算子计算个体学习器的权重；利用混合状态转移算法，找到最优的属性权重；利用群体多属性决策方法，输出工况识别结果。本发明运行可靠，通过提高工况识别的准确率，既提升了泡沫浮选的矿物回收率，又减少了药剂的浪费。

Description

一种基于群体决策集成学习的泡沫浮选工况识别方法

技术领域

本发明涉及有色冶金领域，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。

背景技术

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沫类型进行分类。然而，大多数方法使用单一的分类模型进行工况识 别，泛化能力较弱，对新数据的适用程度低。

集成学习方法通常被认为是大众智慧的机器学习范式，它通常比单一模型具有更强的泛 化能力。集成学习方法的主要思想是通过多个模型的组合，单个模型的误差有可能由其他模 型来补偿。因此，集成后模型的整体预测性能将优于单一模型。

发明内容

为了克服集成学习方法结合策略没有充分结合学习器信息的缺点，本发明目的在于提供 一种基于群体多属性决策的集成学习方法，提高泡沫浮选工况识别的准确率。

为实现上述目的，本发明提供了一种基于群体决策集成学习的泡沫浮选工况识别方法， 包括以下步骤：

S1：收集泡沫浮选数据集D_n×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，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，利用2AGSAIVIFCA 算子计算个体学习器k对于工况i的权重W_i ^k(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w_i(i＝1,2,3)；

S5：利用群体多属性决策方法，输出工况识别结果。

优选地，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。

优选地，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算子计算个体学习器k对于工况i的权重W_i ^k。2AGSAIVIFCA 算子定义为：

其中A_i＝{a_i,a_i+1,...,a_n}。

计算个体学习器k对于工况i的权重W_i ^k的主要步骤包括：

S31：计算属性的交叉熵:

其中P_i ^k表示个体学习器k对于工况i的查准率，

表示个体学习器k对于工况i的查全 率，

表示个体学习器k对于工况i的准确率。

S32：计算属性的最优测度u:

其中

表示决策者k对于工况i与属性j的属性值。

S33:计算属性i的Shapley值：

其中N＝{P,A,R}为属性集。

S34：计算决策者k的综合属性:

S35：计算决策者k对于工况i的权重为:

其中Att_min和Att_max分别代表综合属性值的最大值与最小值。

优选的，所述S4中混合状态转移算法，利用了智能优化算法的全局搜索能力和基于梯度 的算法的快速收敛性。状态转移算法在许多工业问题中显示出良好的全局搜索能力，但随着 迭代的进行，该智能优化算法的收敛速度迅速下降。相反，基于梯度的算法在局部搜索中收 敛较快。为此，提出了一种将基于梯度的优化算法与基于梯度的优化算法相结合的混合状态 转移算法。混合状态转移算法主要步骤包括：

S41：利用状态转移算法找到一个粗略的全局解；

S42：使用基于梯度的序列二次规划方法优化此解，加快收敛速度。

优选的，所述S5中群体多属性决策方法对样本所属工况条件进行判断步骤如下：

S51：获得每决策者K的决策矩阵，如下表所示：

S52：利用S3计算出的体学习器的权重，根据下式可获得一个加权后的决策矩阵，其中：

式中，W_i ^k表示个体学习器k对于工况i的权重，

表示个体学习器k对工况i的属性j给出的属性值。

S53：确定决策者k关于属性j的正理想解

和负理想解

S54：分别计算各个工况与正理想解和负理想解的距离。

工况i与正理想解的距离：

工况i与负理想解的距离：

S55：计算决策者k对于工况i与负理想解的相对接近度：

S56：选择距离负理想解最远的工况为样本工况：

其中A^*为预测样本工况。

本发明具有以下有益效果：

本发明提供了一种基于群体决策集成学习的泡沫浮选工况识别方法，该方法可以分为两 个部分：前一部分利用数据和知识训练出多个工况识别模型；第二部分利用混合智能群体多 属性决策方法对多个工况识别模型的输出进行集成。相比单一模型的工况识别方法，该方法 提高了对新样本工况识别的准确率，从而提升了矿物回收率，减少了药剂的浪费。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及 其说明用于解释本发明，并不构成对本发明的不当限定。在附图中，图1是本发明优选实施 例的基于集成学习的泡沫浮选工况识别方法流程图。图2为实验结果对比图，图中GDM-EL 为本发明的工况识别准确率。

具体实施方式

以下结合附图对本发明的实施例进行详细说明。

参见图1，本实施提供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D_n×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，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，利用2AGSAIVIFCA 算子计算个体学习器k对于工况i的权重W_i ^k(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w_i(i＝1,2,3)；

S5：利用群体多属性决策方法，输出工况识别结果。

可选地，本实施例中，提取的D_n×m为一组采自金锑泡沫浮选过程的数据集，其中，样本 n＝672，包含8个不同的类别，其中480个样本作为训练集，余下的192个样本作为测试集。

可选的，本实例S1中采用Adabooet、随机森林(RF)、K近邻(KNN)、逻辑回归(LR)、支持向量机(SVM)、决策树(DT)6种机器学习算法，获得6种个体学习器。并将收集到的 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。根据数据集获得的个体学习器与根据经验获得的推理机一起用作决策者。

本实施例中，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算子计算个体学习器k对于工况i的权重W_i ^k的主要步骤包括：

S31：计算属性的交叉熵:

其中P_i ^k表示个体学习器k对于工况i的查准率，

表示个体学习器k对于工况i的查全率，

表示个体学习器k对于工况i的准确率。

S32：计算属性的最优测度u:

其中

表示决策者k对于工况i与属性j的属性值。

S33:计算属性i的Shapley值：

其中N为属性集。

S34：计算决策者k的综合属性:

S35：计算决策者k对于工况i的权重为:

其中Att_min和Att_max分别代表综合属性值的最大值与最小值。

优选地，S4中混合状态转移算法，利用了智能优化算法的全局搜索能力和基于梯度的算 法的快速收敛性。状态转移算法在许多工业问题中显示出良好的全局搜索能力，但随着迭代 的进行，该智能优化算法的收敛速度迅速下降。相反，基于梯度的算法在局部搜索中收敛较 快。为此，提出了一种将基于梯度的优化算法与基于梯度的优化算法相结合的混合状态转移 算法。混合状态转移算法主要步骤包括：

S41：利用状态转移算法找到一个粗略的全局解；

S42：使用基于梯度的序列二次规划方法优化此解，加快收敛速度。

本实施例中，S5中群体多属性决策方法对样本所属工况条件进行判断，主要包括以下步 骤：

S51：获得每决策者K的决策矩阵X_k。

S52：利用S3计算出的体学习器的权重，根据下式可获得一个加权后的决策矩阵Y_k，其 中：

式中，W_i ^k表示个体学习器k对于工况i的权重，

表示个体学习器k对工况i的属性j给出 的属性值。

S53：确定决策者k关于属性j的正理想解

和负理想解

S54：分别计算各个工况与正理想解和负理想解的距离。

·工况i与正理想解的距离：

·工况i与负理想解的距离：

S55：计算决策者k对于工况i与负理想解的相对接近度

S56：选择距离负理想解最远的工况为样本工况：

其中A^*为预测样本工况。

本实施例中，实验于所得的分类准确率分布，结果如图2所示。图中GDM-EL为本发明 的工况识别准确率，MV-EL为采用基于投票法的集成学习工况识别准确率。从图中可见，集 成学习可以提高工况识别的准确率，且将群体决策方法用作集成学习的结合策略，可以进一 步提升工况识别准确率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员 来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等 同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

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D_n×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的三个属性分别给出属性值

其中j代表属性，三个属性为隶属度、非隶属度以及犹豫度；

S3：将个体学习器对于各个工况的查全率、查准率以及准确率看作决策者的属性，用2AGSAIVIFCA算子结合决策者属性计算个体学习器k对于工况i的权重

计算个体学习器k对于工况i的权重

的步骤包括：

S31：计算决策者属性的交叉熵:

其中

表示个体学习器k对于工况i的查准率，

表示个体学习器k对于工况i的查全率，

表示个体学习器k对于工况i的准确率；

S32：寻找决策者属性的最优测度u:

其中

表示决策者k对于工况i与属性j的属性值，

表示属性值

加上属性值

的最优测度，

表示属性值

的最优测度；

S33：计算决策者属性i的Shapley值：

其中N为属性集；

S34：计算决策者k的综合属性:

其中

表示决策者k对于工况i前m个属性的属性值；

S35：计算决策者k对于工况i的权重为:

其中Att_min和Att_max分别代表综合属性值的最小值与最大值；

S4：利用混合状态转移算法，找到最优的属性权重w_i,i＝1,2,3；

S5：将个体学习器看作决策者，工况类别看作方案，隶属度、非隶属度以及犹豫度看作方案的属性，利用群体多属性决策方法决策出最佳方案，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S5中群体多属性决策方法对样本所属工况条件进行判断，主要包括以下步骤：

S51：根据学习器对于一张泡沫图片的输出获得每决策者K的决策矩阵X_k，如下表所示；

S52：利用S3计算出的体学习器的权重，根据下式可获得一个加权后的决策矩阵Y_k，其中：

式中，W_i ^k表示个体学习器k对于工况i的权重，

表示个体学习器k对工况i的属性j给出的属性值；

S53：确定决策者k关于属性j的正理想解

和负理想解

S54：分别计算各个工况与正理想解和负理想解的距离；

·工况i与正理想解的距离：

·工况i与负理想解的距离：

S55：计算决策者k对于工况i与负理想解的相对接近度Q_i：

S56：选择距离负理想解最远的工况为样本工况：

A^*＝arg maxQ_i(A_i)

其中A^*为预测样本工况。

Images