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
一种基于群体决策集成学习的泡沫浮选工况识别方法 Download PDFInfo
- Publication number
- CN112884024B CN112884024B CN202110137576.2A CN202110137576A CN112884024B CN 112884024 B CN112884024 B CN 112884024B CN 202110137576 A CN202110137576 A CN 202110137576A CN 112884024 B CN112884024 B CN 112884024B
- Authority
- CN
- China
- Prior art keywords
- working condition
- attribute
- decision
- calculating
- decision maker
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electrically Operated Instructional Devices (AREA)
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
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Dn×m以及专家经验知识,其中行n代表样本,列m代表特征;
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Wi 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wi(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Wi k。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Wi k的主要步骤包括:
S31:计算属性的交叉熵:
S32:计算属性的最优测度u:
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Attmin和Attmax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:
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Dn×m以及专家经验知识,其中行n代表样本,列m代表特征;
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Wi 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wi(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Dn×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Wi k的主要步骤包括:
S31:计算属性的交叉熵:
S32:计算属性的最优测度u:
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Attmin和Attmax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Xk。
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Yk,其 中:
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:
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Dn×m以及专家经验知识,其中行n代表样本,列m代表特征;
S31:计算决策者属性的交叉熵:
S32:寻找决策者属性的最优测度u:
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:
S35:计算决策者k对于工况i的权重为:
其中Attmin和Attmax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wi,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Xk,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Yk,其中:
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Qi:
S56:选择距离负理想解最远的工况为样本工况:
A*=arg maxQi(Ai)
其中A*为预测样本工况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137576.2A CN112884024B (zh) | 2021-02-01 | 2021-02-01 | 一种基于群体决策集成学习的泡沫浮选工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137576.2A CN112884024B (zh) | 2021-02-01 | 2021-02-01 | 一种基于群体决策集成学习的泡沫浮选工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884024A CN112884024A (zh) | 2021-06-01 |
CN112884024B true CN112884024B (zh) | 2022-05-13 |
Family
ID=76052324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137576.2A Active CN112884024B (zh) | 2021-02-01 | 2021-02-01 | 一种基于群体决策集成学习的泡沫浮选工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884024B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989411A (zh) * | 2015-02-02 | 2016-10-05 | 华东交通大学 | 一种基于二元语义信息公理的语言型多属性群决策方法 |
CN106874959A (zh) * | 2017-03-01 | 2017-06-20 | 南京大学 | 一种多尺度扫描级联森林学习机的训练方法 |
CN110942104A (zh) * | 2019-12-06 | 2020-03-31 | 中南大学 | 用于泡沫浮选工况识别过程的混合特征选择方法及系统 |
CN111046926A (zh) * | 2019-11-26 | 2020-04-21 | 山东浪潮人工智能研究院有限公司 | 一种计算机视觉图像分类集成学习方法 |
CN111582394A (zh) * | 2020-05-13 | 2020-08-25 | 内蒙古工业大学 | 一种群体评估方法、装置、设备及介质 |
CN112115829A (zh) * | 2020-09-09 | 2020-12-22 | 贵州大学 | 一种基于分类器选择性集成的表情识别方法 |
-
2021
- 2021-02-01 CN CN202110137576.2A patent/CN112884024B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989411A (zh) * | 2015-02-02 | 2016-10-05 | 华东交通大学 | 一种基于二元语义信息公理的语言型多属性群决策方法 |
CN106874959A (zh) * | 2017-03-01 | 2017-06-20 | 南京大学 | 一种多尺度扫描级联森林学习机的训练方法 |
CN111046926A (zh) * | 2019-11-26 | 2020-04-21 | 山东浪潮人工智能研究院有限公司 | 一种计算机视觉图像分类集成学习方法 |
CN110942104A (zh) * | 2019-12-06 | 2020-03-31 | 中南大学 | 用于泡沫浮选工况识别过程的混合特征选择方法及系统 |
CN111582394A (zh) * | 2020-05-13 | 2020-08-25 | 内蒙古工业大学 | 一种群体评估方法、装置、设备及介质 |
CN112115829A (zh) * | 2020-09-09 | 2020-12-22 | 贵州大学 | 一种基于分类器选择性集成的表情识别方法 |
Non-Patent Citations (3)
Title |
---|
An ensemble learning framework based on group decision making;Jingyi He 等;《2020 Chinese Control And Decision Conference (CCDC)》;20200811;第4119-4124页 * |
Interval-Valued Intuitionistic Fuzzy Multiattribute Group Decision Making Based on Cross Entropy Measure and Choquet Integral;Fanyong Meng 等;《INTERNATIONAL JOURNAL OF INTELLIGENT SYSTEMS》;20130806;第28卷;第1172-1195页 * |
基于双模态卷积神经网络自适应迁移学习的浮选工况识别;廖一鹏等;《光子学报》;20201031(第10期);第173-184页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112884024A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A multimodal multiobjective evolutionary algorithm using two-archive and recombination strategies | |
Song et al. | Variable-size cooperative coevolutionary particle swarm optimization for feature selection on high-dimensional data | |
CN110378799B (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
CN103886330B (zh) | 基于半监督svm集成学习的分类方法 | |
Jovanović et al. | Soft computing-based modeling of flotation processes–A review | |
CN109273096B (zh) | 一种基于机器学习的药品风险分级评估方法 | |
CN108921197A (zh) | 一种基于特征选择和集成算法的分类方法 | |
CN108363810A (zh) | 一种文本分类方法及装置 | |
Jourdan et al. | Using datamining techniques to help metaheuristics: A short survey | |
CN108446214B (zh) | 基于dbn的测试用例进化生成方法 | |
CN101256631A (zh) | 一种字符识别的方法、装置、程序和可读存储介质 | |
Bhowan et al. | Genetic programming for classification with unbalanced data | |
CN111709942B (zh) | 一种基于纹理度优化的锌浮选加药量预测控制方法 | |
CN107194207A (zh) | 基于粒度支持向量机集成的蛋白质配体绑定位点预测方法 | |
CN112818755A (zh) | 一种基于主动学习的步态识别方法 | |
CN104966106A (zh) | 一种基于支持向量机的生物年龄分步预测方法 | |
Ranaei et al. | Forecasting emerging technologies of low emission vehicle | |
CN112884024B (zh) | 一种基于群体决策集成学习的泡沫浮选工况识别方法 | |
CN104698838B (zh) | 基于论域动态划分和学习的模糊调度规则挖掘方法 | |
Wafi et al. | Automatic feature selection for modified k-nearest neighbor to predict student's academic performance | |
CN115688097A (zh) | 一种基于改进遗传算法特征选择的工控系统入侵检测方法 | |
Zhang et al. | Adaptive truncation technique for constrained multi-objective optimization | |
Gao et al. | A Flexible Ranking-Based Competitive Swarm Optimizer for Large-Scale Continuous Multi-Objective Optimization | |
CN117548234B (zh) | 一种用于泡沫浮选工况预估的级联特征选择方法 | |
Khalid et al. | A robust ensemble based approach to combine heterogeneous classifiers in the presence of class label noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |