CN113591653A - 一种基于宽度学习系统的增量式锌浮选工况判别方法 - Google Patents

Abstract

本发明公开了一种基于宽度学习系统的增量式锌浮选工况判别方法，包括以下步骤：首先提取泡沫图像特征，引入粗选槽入矿品位特征，针对两种特征采样频率不一致问题，采用最小二乘法拟合入矿品位使二者协调，解决了评价指标单一问题；然后将提取到的图像特征和入矿品位特征输入宽度学习系统构建基础模型；设置工况识别准确度阈值，当生产条件发生变化，识别准确度低于阈值时，向模型中加入新样本，根据有无新工况产生分别采用增加特征节点、增强节点数目和增加特征节点、增强节点、输出节点数目两种方式对模型进行更新，直到准确度大于阈值，采用增量学习方式无需从头训练全部数据，只对新增加的样本进行训练，缩短训练时间、节省计算资源。

Description

一种基于宽度学习系统的增量式锌浮选工况判别方法

技术领域

本发明涉及泡沫浮选技术领域，特别是涉及一种基于宽度学习系统的增量式锌浮选工况判别方法

背景技术

泡沫浮选是有色金属、煤炭和石化行业广泛采用的一种选矿技术，该技术利用矿物的亲疏水性差异，有效地将目标矿物从无用的脉矿石中分离出来。具体过程为将原矿送入球磨机研磨为大小合适的颗粒，将矿物颗粒送入浮选槽中，在浮选槽中加入相应的浮选药剂，从底部通入空气并不断搅拌，使目标矿物颗粒附着在泡沫表面通过刮板刮出，无用矿物沉入矿浆待进一步处理。

最早采用人工巡检、人工操作的方式，然而人工观察存在很强的主观性和随意性，无法准确地辨别工况；随后将机器视觉引入到浮选现场，能对浮选工况进行客观描述，推进了浮选工艺向生产自动化发展。但目前采用机器视觉进行工况识别的方法，将图像的各种动态和静态特征作为输入而未将粗选槽的入矿品位纳入考虑，仅通过图像特征识别无法全面反映浮选槽运行状态以及识别泡沫浮选工况，需要添加更多指标进行全面的评价。

工业现场的运行状态并不是一成不变的，受到非常多因素的影响，例如由于矿源不同造成的原矿变化、设备运行状态变化造成的磨矿细粒度变化等都会导致浮选状态发生改变，导致以下两种情况出现：一种是工况种类不发生变化但与每种工况相对应的图像特征和入矿品位特征发生改变；另一种是出现新的工况，伴随新的工况出现新的图像特征和入矿品位特征。原模型中的参数和结构无法适应新的运行状态，造成准确率下降，无法满足现场工况识别要求。此时需要对模型结构和参数进行修改，若采用传统方法，将新获得数据和原有数据合并后共同输入模型进行重新训练会耗费大量的运算资源和时间，因此有必要采取一种无需从头训练的方法解决上述问题。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于宽度学习系统的增量式锌浮选工况判别方法。首先引入粗选槽入矿品位，针对仅采用粗选槽图像数据造成对浮选工况识别评价片面的问题；然后采用宽度学习系统进行增量学习，针对工业现场运行状态发生变化时，模型识别准确率降低无法适应新的浮选状态的问题。

本发明所采用的技术方案具体步骤如下：

S1.提取粗选槽泡沫图像特征和入矿品位特征

A.提取粗选槽泡沫图像动、静态特征，包括纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率：采用GLCM算法提取对比度、熵、能量和同质性作为泡沫纹理特征，得到具体的数据集为Co＝[Co1，Co2，Co3...Con]、Er＝[Er1，Er2，Er3...Ern]、En＝[En1，En2，En3...Enn]、Ho＝[Ho1，Ho2，Ho3...Hon]；采用基于标记的分水岭算法对图像进行分割提取均值、方差作为尺寸特征，得到的具体数据集为Sm＝[Sm1，Sm2，Sm3...Smn]、Sv＝[Sv1，Sv2，Sv3...Svn]；采用HSV颜色通道提取泡沫颜色特征，得到的具体数据集为Cl＝[Cl1，CL2，Cl3...Cln]；通过特征点匹配算法计算泡沫流速的均值、方差和泡沫破碎率的均值、方差，得到的具体数据集为Vm＝[Vm1，Vm2，Vm3...Vmn]、Vv＝[Vv1，Vv2，Vv3...Vvn]、Bm＝[Bm1，Bm2，Bm3...Bmn]、Bv＝[Bv1，Bv2，Bv3...Bvn]；

B.通过荧光分析仪获得粗选槽入矿品位，包括锌、铅品位，粗选槽的入矿品位每20分钟由荧光分析仪采集一次，而泡沫图像每5分钟由摄像头采集一次，二者的采样频率不同造成无法完全匹配，采用最小二乘拟合算法对粗选槽入矿的锌、铅品位数据进行拟合，使每次采集的泡沫图像都有与之相对应的入矿品位数据，得到的具体数据集为Zn＝[Znl，Zn2，Zn3...Znn]、Pb＝[Pb1，Pb2，Pb3，...，Pbn]；

C.将11个粗选槽泡沫图像特征向量和2个入矿品位向量组合在一起共同组成粗选槽的复合特征向量数据集X＝[Co，Er，En，Ho，Sm，Sv，Cl，Vm，Vv，Bm，Bv，Zn，Pb]；

S2.构建宽度学习系统预测模型进行粗选槽的工况识别

将经过上述过程得到的粗选槽复合特征向量数据集作为宽度学习系统的输入，根据荧光分析仪和专家经验为粗选槽浮选状态划分C类工况，数据集X对应的标签集记为Y；粗选槽复合特征向量和粗选槽浮选工况组成的训练样本数据集为{(X_i，Y_i)，i＝1，2，3...，n}，X_i为第i个样本的粗选槽复合特征向量，Y_i为第i个样本的工况。宽度学习系统由三部分组成，分别是特征节点层、增强节点层和输出层，特征节点层记为Z^m，特征层的特征节点记为Z_j，j＝1，2，3...m，增强节点层记为H^o，增强层的增强节点记为H_k，k＝1，2，3...o；

特征节点的计算公式如下：

Z_j＝φ(XW_zj+β_zj)，j＝1，2，3...，m

其中W_zj和β_zj分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ是特征节点的激活函数，选择rule激活函数，根据上式生成的所有特征节点为：

Z^m＝[Z₁，Z₂，Z₃...Z_m]

增强节点的计算公式如下：

H_k＝ξ(Z^mW_hk+β_hk)，k＝1，2，3...o

其中W_hk和β_hk是随机初始化生成的增强节点权值矩阵和偏置矩阵，生成的所有增强节点为：

H^o＝[H₁，H₂，H₃，...，H_O]

特征节点和增强节点共同连接到输出层，输出层的表达式为Y＝[Z^m|H^o]W_l

其中A_r＝[Z^m|H^o]，W_l是特征节点与增强节点合并后与输出层间连接的权值矩阵，通过求解岭回归模型的伪逆获得：

其中，λ是岭回归中趋于0的一个非负数，I是单位矩阵；

S3.工业现场运行状态发生变化时，模型预测不准确，需要对模型的结构和参数进行调整，分为以下两种情况：

A.未增加新的工况，只增加新的样本。仍是C种运行工况，但每种工况相对应的粗选槽复合特征向量会发生改变，原模型中的参数和结构无法识别出新增加的特征向量对应何种工况，造成识别准确率下降，无法满足现场工况识别要求；此时若将新的样本集与原数据集合并后，重新将整个网络从头训练会耗费大量的时间和计算资源；需要采用一种方式只训练新加入的样本集，则在保证识别准确率的前提下大大缩短训练时间、节省训练资源，对宽度学习系统进行增量学习，将目前模型无法识别归类的粗选槽复合特征向量数据集根据荧光分析仪数据和专家经验打上标签，作为新的样本集对模型进行训练，设新增加的特征向量数据集为X_a，与之对应的标签为Y_a；对新输入的样本，通过增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层，再共同连接到输出层，具体过程如下：A_a＝[φ(X_aW_za1+β_za1)，...，φ(X_aW_zap+β_zap)|ξ(Z^amW_ha1+β_ha1)，...，ξ(Z^amW_haq+β_haq)]

Z^am＝[φ(X_aW_za1+β_za1)，...，φ(X_aW_zap+β_zap)]

其中W_zap和β_zap分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ和ξ分别是特征节点和增强节点的激活函数，选择tanh激活函数，Z^am是新生成的特征节点层，W_haq和β_haq是随机初始化生成的增强节点权值矩阵和偏置矩阵。将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合

并将其连接到输出层，A的伪逆由下式计算得到：

其中B和D由以下公式计算得到：

增量学习后与输出层连接的权重W_la由以下公式计算得到：

当模型无法满足目前的工况识别要求时进行增量学习，设置工况识别准确度阈值；判断当模型识别准确度是否大于准确度阈值，若否，则根据新加入的样本不断增加特征节点和增强节点的数量，直到模型识别准确度大于准确度阈值；

B.增加新的工况种类，同时增加新工况下的新样本；设新增加工况对应的特征向量数据集为X_b，与之对应的标签为Y_b；向模型输入新增加工况种类下的新样本后，增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层，再共同连接到经过扩展的输出层，具体过程如下：

将原样本数量设定为N，原样本的工况种类数为C，新增加的工况种类数量为C_en，原有的标签变为Y_en＝[Y|Φ]，其中Φ是一个零矩阵，其维度为N×C_en；

只增加工况种类不增加样本后与输出层连接的权重W_le由以下公式计算得到：

随后计算同时增加新的工况种类和新的样本时，模型结构和参数的变化：

A_b＝[φ(X_bW_zb1+β_zb1)，...，φ(X_bW_zbp+β_zbp)|ξ(Z^bmW_hb1+β_hb1)，...，ξ(Z^bmW_hbq+β_hbq)]

Z^bm＝[φ(X_bW_zb1+β_zb1)，...，φ(X_bW_zbp+β_zbp)]

其中W_zbp和β_zbp分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ和ξ分别是特征节点和增强节点的激活函数，选择tanh激活函数，Z^bm是新生成的特征节点层，W_hbq和β_hbq是随机初始化生成的增强节点权值矩阵和偏置矩阵；

将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合

并将其连接到输出层，A_en的伪逆由下式计算得到：

其中B和D由以下公式计算得到：

加入新的样本后特征节点层和增强节点层与输出连接的权重W_len由以下公式计算得到：

判断当模型识别准确度是否大于准确度阈值，若否，则根据新加入的样本不断增加特征节点和增强节点的数量，直到模型识别准确度大于准确度阈值。

与现有技术相比，本发明的有益效果是：引入粗选槽入矿品位作为特征，解决了仅采用粗选槽图像特征造成对浮选工况识别评价片面的问题，提高了识别的准确性；采用最小二乘法拟合粗选槽入矿品位，解决了粗选槽入矿品位数据和图像数据采样频率不同的问题；在工业现场运行状态发生变化，模型识别准确度降低无法适应新的浮选状态时，采用宽度学习系统进行增量学习，解决了工况种类不变样本数量增加、工况种类和样本数量共同增加两种情况出现时，传统方法需要重新从头开始训练的问题，大大缩短训练时间、节省训练资源，同时能够保持较高的识别准确度，为后续的加药操作提供可靠指导。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明进一步说明。

S1.提取粗选槽泡沫图像特征和入矿品位特征

A.提取粗选槽泡沫图像动、静态特征，包括纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率：采用GLCM算法提取对比度、熵、能量和同质性作为泡沫纹理特征，得到具体的数据集为Co＝[Co1，Co2，Co3...Con]、Er＝[Er1，Er2，Er3...Ern]、En＝[En1，Eh2，En3...Enn]、Ho＝[Ho1，Ho2，Ho3...Hon]；采用基于标记的分水岭算法对图像进行分割提取均值、方差作为尺寸特征，得到的具体数据集为Sm＝[Sm1，Sm2，Sm3...Smn]、Sv＝[Sv1，Sv2，Sv3...Svn]；采用HSV颜色通道提取泡沫颜色特征，得到的具体数据集为Cl＝[Cl1，CL2，Cl3...Cln]；通过特征点匹配算法计算泡沫流速的均值、方差和泡沫破碎率的均值、方差，得到的具体数据集为Vm＝[Vm1，Vm2，Vm3...Vmn]、Vv＝[Vv1，Vv2，Vv3...Vvn]、Bm＝[Bm1，Bm2，Bm3...Bmn]、Bv＝[Bv1，Bv2，Bv3...Bvn]；

B.通过荧光分析仪获得粗选槽入矿品位，包括锌、铅品位，粗选槽的入矿品位每20分钟由荧光分析仪采集一次，而泡沫图像每5分钟由摄像头采集一次，二者的采样频率不同造成无法完全匹配，采用最小二乘拟合算法对粗选槽入矿的锌、铅品位数据进行拟合，使每次采集的泡沫图像都有与之相对应的入矿品位数据，得到的具体数据集为Zn＝[Znl，Zn2，Zn3...Znn]、Pb＝[Pb1，Pb2，Pb3，...，Pbn]；

C.将11个粗选槽泡沫图像特征向量和2个入矿品位向量组合在一起共同组成粗选槽的复合特征向量数据集X＝[Co，Er，En，Ho，Sm，Sv，Cl，Vm，Vv，Bm，Bv，Zn，Pb]；

S2.构建宽度学习系统预测模型进行粗选槽的工况识别以指导加药工作。

将经过上述过程得到的粗选槽复合特征向量数据集X中的13个特征向量作为宽度学习系统的输入，根据荧光分析仪和专家经验为粗选槽浮选状态划分4类工况，对应的精选槽品位值为[51.5，52.5]，[52.5，53.5]，[53.5，54.5]，[54.5，55.5]，宽度学习系统的输出为四类工况，数据集X对应的标签集记为Y。粗选槽复合特征向量和粗选槽浮选工况组成的训练样本数据集为{(X_i，Y_i)，i＝1，2，3...，n}，X_i为第i个样本的粗选槽复合特征向量，Y_i为第i个样本的工况。宽度学习系统由三部分组成，分别是特征节点层、增强节点层和输出层，特征节点层记为Z^m，特征层的特征节点记为Z_j，j＝1，2，3...m，增强节点层记为H^o，增强层的增强节点记为H_k，k＝1，2，3...o；

特征节点的计算公式如下：

Z_j＝φ(XW_zj+β_zj)，j＝1，2，3...，m

其中W_zj和β_zj分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ是特征节点的激活函数，选择rule激活函数，根据上式生成的所有特征节点为：

Z^m＝[Z₁，Z₂，Z₃...Z_m]

增强节点的计算公式如下：

H_k＝ξ(Z^mW_hk+β_hk)，k＝1，2，3...o

其中W_hk和β_hk是随机初始化生成的增强节点权值矩阵和偏置矩阵，生成的所有增强节点为：

H^o＝[H₁，H₂，H₃，...，H_O]

特征节点和增强节点共同连接到输出层，输出层的表达式为Y＝[Z^m|H^o]W_l

其中A_r＝[Z^m|H^o]，W_l是特征节点与增强节点合并后与输出层间连接的权值矩阵，通过求解岭回归模型的伪逆获得：

其中，λ是岭回归中趋于0的一个非负数，I是单位矩阵；

S3.工业现场运行状态发生变化时，模型预测不准确，需要对模型的结构和参数进行调整，分为以下两种情况：

A.未增加新的工况，只增加新的样本。仍是C种运行工况，但每种工况相对应的粗选槽复合特征向量会发生改变，原模型中的参数和结构无法识别出新增加的特征向量对应何种工况，造成识别准确率下降，无法满足现场工况识别要求；此时若将新的样本集与原数据集合并后，重新将整个网络从头训练会耗费大量的时间和计算资源；需要采用一种方式只训练新加入的样本集，则在保证识别准确率的前提下大大缩短训练时间、节省训练资源，对宽度学习系统进行增量学习，将目前模型无法识别归类的粗选槽复合特征向量数据集根据荧光分析仪数据和专家经验打上标签，作为新的样本集对模型进行训练，设新增加的特征向量数据集为X_a，与之对应的标签为Y_a；对新输入的样本，通过增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层，再共同连接到输出层，具体过程如下：A_a＝[φ(X_aW_za1+β_za1)，...，φ(X_aW_zap+β_zap)|ξ(Z^amW_ha1+β_ha1)，...，ξ(Z^amW_haq+β_haq)]

Z^am＝[φ(X_aW_za1+β_za1)，...，φ(X_aW_zap+β_zap)]

其中W_zap和β_zap分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ和ξ分别是特征节点和增强节点的激活函数，选择tanh激活函数，Z^am是新生成的特征节点层，W_haq和β_haq是随机初始化生成的增强节点权值矩阵和偏置矩阵。将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合

并将其连接到输出层，A的伪逆由下式计算得到：

其中B和D由以下公式计算得到：

增量学习后与输出层连接的权重W_la由以下公式计算得到：

当模型无法满足目前的工况识别要求时进行增量学习，设置工况识别准确度阈值；判断当模型识别准确度是否大于准确度阈值，若否，则根据新加入的样本不断增加特征节点和增强节点的数量，直到模型识别准确度大于准确度阈值；

B.增加新的工况种类，同时增加新工况下的新样本；设新增加工况对应的特征向量数据集为X_b，与之对应的标签为Y_b；向模型输入新增加工况种类下的新样本后，增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层，再共同连接到经过扩展的输出层，具体过程如下：

将原样本数量设定为N，原样本的工况种类数为C，新增加的工况种类数量为C_en，原有的标签变为Y_en＝[Y|Φ]，其中Φ是一个零矩阵，其维度为N×C_en；

只增加工况种类不增加样本后与输出层连接的权重W_le由以下公式计算得到：

随后计算同时增加新的工况种类和新的样本时，模型结构和参数的变化：

A_b＝[φ(X_bW_zb1+β_zb1)，...，φ(X_bW_zbp+β_zbp)|ξ(Z^bmW_hb1+β_hb1)，...，ξ(Z^bmW_hbq+β_hbq)]

Z^bm＝[φ(X_bW_zb1+β_zb1)，...，φ(X_bW_zbp+β_zbp)]

其中W_zbp和β_zbp分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ和ξ分别是特征节点和增强节点的激活函数，选择tanh激活函数，Z^bm是新生成的特征节点层，W_hbq和β_hbq是随机初始化生成的增强节点权值矩阵和偏置矩阵；

将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合

并将其连接到输出层，A_en的伪逆由下式计算得到：

其中B和D由以下公式计算得到：

加入新的样本后特征节点层和增强节点层与输出连接的权重W_len由以下公式计算得到：

判断当模型识别准确度是否大于准确度阈值，若否，则根据新加入的样本不断增加特征节点和增强节点的数量，直到模型识别准确度大于准确度阈值。

增量式的宽度学习在泡沫浮选数据集上的具体识别准确度和时间如下表所示：

表1增加新样本

表2增加新工况种类

对比上表中的数据可知，使用增量式的宽度学习能够缩短模型训练所消耗的时间，并同时保证较高的识别准确率。

Claims (4)

1.一种基于宽度学习系统的增量式锌浮选工况判别方法，其特征在于包括以下步骤：

步骤一：提取粗选槽泡沫图像动、静态特征，包括泡沫纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率，以及粗选槽入矿品位特征，包括锌、铅品位，针对采样频率不一致问题，采用最小二乘法拟合入矿品位使其与图像特征相匹配；

步骤二：采用宽度学习系统构建工况识别模型，利用提取到的泡沫图像特征和入矿品位特征输入宽度学习系统生成特征节点和增强节点，将特征节点和增强节点拼接结合并连接到输出层，构建基础模型，进行工况识别；

步骤三：设置工况识别准确度阈值，当生产条件发生变化导致模型无法适应新的运行状态，识别准确度下降低于阈值时采用增量学习；增量学习分为两种情况，当没有新工况产生时采用增加特征节点、增强节点数目的方式对模型进行更新，当有新工况产生时通过增加特征节点、增强节点和输出节点数目的方式对模型进行更新，当前工况识别准确度大于等于设定阈值时停止增量学习。

2.根据权利要求1所述的一种基于宽度学习系统的增量式锌浮选工况判别方法，其特征在于，步骤一中：

A.提取粗选槽泡沫图像动、静态特征，包括纹理特征、尺寸特征、泡沫颜色特征、泡沫流速和泡沫破碎率：采用GLCM算法提取对比度、熵、能量和同质性作为泡沫纹理特征，得到具体的数据集为Co＝[Co1，Co2，Co3...Con]、Er＝[Er1，Er2，Er3...Ern]、En＝[En1，En2，En3...Enn]、Ho＝[Ho1，Ho2，Ho3...Hon]；采用基于标记的分水岭算法对图像进行分割提取均值、方差作为尺寸特征，得到的具体数据集为Sm＝[Sm1，Sm2，Sm3...Smn]、Sv＝[Sv1，Sv2，Sv3...Svn]；采用HSV颜色通道提取泡沫颜色特征，得到的具体数据集为Cl＝[Cl1，CL2，Cl3...Cln]；通过特征点匹配算法计算泡沫流速的均值、方差和泡沫破碎率的均值、方差，得到的具体数据集为Vm＝[Vm1，Vm2，Vm3...Vmn]、Vv＝[Vvl，Vv2，Vv3...Vvn]、Bm＝[Bm1，Bm2，Bm3...Bmn]、Bv＝[Bv1，Bv2，Bv3...Bvn]；

B.通过荧光分析仪提取粗选槽入矿品位，包括锌、铅品位，粗选槽的入矿品位每20分钟由荧光分析仪采集一次，而泡沫图像每5分钟由摄像头采集一次，二者的采样频率不同造成无法完全匹配，采用最小二乘拟合算法对入矿的锌、铅品位数据进行拟合，使每次采集的泡沫图像都有与之相对应的入矿品位数据，得到的具体数据集为Zn＝[Znl，Zn2，Zn3...Znn]、Pb＝[Pb1，Pb2，Pb3，...，Pbn]；

C.将11个粗选槽泡沫图像特征向量和2个入矿品位向量组合在一起共同组成粗选槽的复合特征向量数据集X＝[Co，Er，En，Ho，Sm，Sv，Cl，Vm，Vv，Bm，Bv，Zn，Pb]。

3.根据权利要求1所述的一种基于宽度学习系统的增量式锌浮选工况判别方法，其特征在于，步骤二过程为：

粗选槽复合特征向量数据集X中的13个特征向量作为宽度学习系统的输入，根据荧光分析仪和专家经验为粗选槽浮选状态划分C类工况，数据集X对应的标签集记为Y；粗选槽复合特征向量和粗选槽浮选工况组成的训练样本数据集为{(X_i，Y_i)，i＝1，2，3...，n}，X_i为第i个样本的粗选槽复合特征向量，Y_i为第i个样本的工况；宽度学习系统由三部分组成，分别是特征节点层、增强节点层和输出层，特征节点层记为Z^m，特征层的特征节点记为Z_j，j＝1，2，3...m，增强节点层记为H^o，增强层的增强节点记为H_k，k＝1，2，3...o；

特征节点的计算公式如下：

Z_j＝φ(XW_zj+β_zj)，j＝1，2，3...，m

其中W_zj和β_zj分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ是特征节点的激活函数，选择rule激活函数，根据上式生成的所有特征节点为：

Z^m＝[Z₁，Z₂，Z₃...Z_m]

增强节点由增强映射函数计算得到，公式如下：

H_k＝ξ(Z^mW_hk+β_hk)，k＝1，2，3...o

其中W_hk和β_hk是随机初始化生成的增强节点权值矩阵和偏置矩阵，生成的所有增强节点为：

H^o＝[H₁，H₂，H₃，...，H_O]

特征节点和增强节点共同连接到输出层，输出层的表达式为

Y＝[Z^m|H^o]W_l

其中A_r＝[Z^m|H^o]，W_l是特征节点与增强节点合并后与输出层间连接的权值矩阵，通过求解岭回归模型的伪逆获得：

其中，λ是岭回归中趋于0的一个非负数，I是单位矩阵。

4.根据权利要求1所述的一种基于宽度学习系统的增量式锌浮选工况判别方法，其特征在于，步骤三过程为：

工业现场运行状态发生变化时，模型预测不准确，需要对模型的结构和参数进行调整，分为以下两种情况：

A.未增加新的工况，只增加新的样本；仍是C种运行工况，但每种工况相对应的粗选槽复合特征向量会发生改变，原模型中的参数和结构无法识别出新增加的特征向量对应何种工况，造成识别准确率下降，无法满足现场工况识别要求；此时若将新的样本集与原数据集合并后，重新将整个网络从头训练会耗费大量的时间和计算资源；需要采用一种方式只训练新加入的样本集，则在保证识别准确率的前提下大大缩短训练时间、节省训练资源，对宽度学习系统进行增量学习，将目前模型无法识别归类的粗选槽复合特征向量数据集根据荧光分析仪数据和专家经验打上标签，作为新的样本集对模型进行训练，设新增加的特征向量数据集为X_a，与之对应的标签为Y_a；对新输入的样本，通过增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层，再共同连接到输出层，具体过程如下：

A_a＝[φ(X_aW_za1+β_za1)，...，φ(X_aW_zap+β_zap)|ξ(Z^amW_ha1+β_ha1)，...，ξ(Z^amW_haq+β_haq)]

Z^am＝[φ(X_aW_za1+β_za1)，...，φ(X_aW_zap+β_zap)]

其中W_zap和β_zap分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ和ξ分别是特征节点和增强节点的激活函数，选择tanh激活函数，Z^am是新生成的特征节点层，W_haq和β_haq是随机初始化生成的增强节点权值矩阵和偏置矩阵；将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合

并将其连接到输出层，A的伪逆由下式计算得到：

其中B和D由以下公式计算得到：

增量学习后与输出层连接的权重W_la由以下公式计算得到：

当模型无法满足目前的工况识别要求时进行增量学习，设置工况识别准确度阈值；判断当模型识别准确度是否大于准确度阈值，若否，则根据新加入的样本不断增加特征节点和增强节点的数量，直到模型识别准确度大于准确度阈值；

B.增加新的工况种类，同时增加新工况下的新样本；设新增加工况对应的特征向量数据集为X_b，与之对应的标签为Y_b；向模型输入新增加工况种类下的新样本后，增加新的特征节点和增强节点并将其合并到原来的特征节点层和增强节点层，再共同连接到经过扩展的输出层，具体过程如下：

将原样本数量设定为N，原样本的工况种类数为C，新增加的工况种类数量为C_en，原有的标签变为Y_en＝[Y|Φ]，其中Φ是一个零矩阵，其维度为N×C_en；

只增加工况种类不增加样本后与输出层连接的权重W_le由以下公式计算得到：

随后计算同时增加新的工况种类和新的样本时，模型结构和参数的变化：

A_b＝[φ(X_bW_zb1+β_zb1)，...，φ(X_bW_zbp+β_zbp)|ξ(Z^bmW_hb1+β_hb1)，...，ξ(Z^bmW_hbq+β_hbq)]

Z^bm＝[φ(X_bW_zb1+β_zb1)，...，φ(X_bW_zbp+β_zbp)]

其中W_zbp和β_zbp分别是随机初始化生成再通过稀疏自编码器微调得到的特征节点权值矩阵和偏差矩阵，φ和ξ分别是特征节点和增强节点的激活函数，选择tanh激活函数，Z^bm是新生成的特征节点层，W_hbq和β_hbq是随机初始化生成的增强节点权值矩阵和偏置矩阵；

将原特征节点、增强节点与新特征节点、增强节点合并生成新模型的特征节点与增强节点的集合

并将其连接到输出层，A_en的伪逆由下式计算得到：

其中B和D由以下公式计算得到：

加入新的样本后特征节点层和增强节点层与输出连接的权重W_len

由以下公式计算得到：

判断当模型识别准确度是否大于准确度阈值，若否，则根据新加入的样本不断增加特征节点和增强节点的数量，直到模型识别准确度大于准确度阈值。

Images