[發明專利]一種基于過程尺寸特征的鋅礦品位軟測量方法

有效

• 申請號: 201810446660.0
• 申請日: 2018-05-11
• 公開（公告）號: CN108647722B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 唐朝暉;牛亞輝;曾思迪;史偉東;高小亮
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吝秀梅

1.一種基于過程尺寸特征的鉛鋅礦品位軟測量方法，包括以下步驟：

S1：收集不同品位下的鋅浮選的泡沫視頻和生產數據，對采集到的鋅浮選數據以及生產數據進行數據預處理,如下：

1)剔除測量到的數據取值超出變化范圍的錯誤數據；

2)剔除不匹配的數據以及存在空缺值的數據；

S2：利用浮選現場圖像采集系統所獲得的泡沫視頻讀取RGB泡沫圖像，將泡沫圖像由RGB顏色空間轉化到HSI顏色空間，并提取亮度分量作為源圖像，得到一個圖像序列I＝[I₁,I₂,...,I_q]，q為視頻幀數；

S3：對圖像序列I中的第i幀泡沫圖像I_i做分割并統計分割結果中所有氣泡的面積的概率直方圖H_i,用韋伯分布函數擬合H_i，得到韋伯分布函數的參數β_i,μ_i,γ_i，將T_i＝[β_i,μ_i,γ_i]作為第i幀泡沫圖像I_i的尺寸分布特征，對圖像序列I中每一幀圖像都做相同處理，得到尺寸分布序列T＝[T₁,T₂,...,T_q]；

S4：對S3中得到的尺寸分布序列T_k建立高斯-馬爾可夫自回歸滑動平均模型，其函數表達式如下：

其中：x(k)，x(k+1)是n維的狀態向量；

y(k)是一個m維的輸出向量，y(k)＝T_k代表紋理特征；

v(k)是一個服從高斯分布的隨機變量，它的協方差矩陣為V；

w(k)是一個服從高斯分布的隨機變量，協方差矩陣為W；

k＝1,2,3...,q

估計出參數A,C,V的值，將其排列成一個列向量F，稱F為這一段時間浮選過程的過程尺寸特征；

S5：將S4中得到的F和與其對應的精礦品位G組合在一起，作為一個樣本點D_i＝{F_i,G_i)}；將收集的所有的視頻求出過程尺寸特征，與精礦品位組合，求出所有的樣本點集合D＝{(F₁,G₁),...,(F_i,G_i),...,(F_N,G_N)}，用F_i^(j)表示F_i的第j個分量；

S6：用S5中獲得的樣本集，采用CART算法訓練決策樹模型，記為f₀；

S7：建立預測模型，設計一個損失函數Lf來定量的計算生成的模型輸出值與實際測量值的偏差，根據損失函數Lf逐步遞增地生成一個以f₀為基礎的提升樹模型，其步驟如下：

1)將f_i更新為f_i'＝f_i+φ_i+1(F)，其中：i＝0,1,2,3...，φ_i+1為新加入的弱學習器；

2)設計損失函數Lf，令其中，η為一個小于1的常數；

3)求解得到使得損失函數Lf取最小值的φ_i+1的數值解；

4)以φ_i+1為目標值，按照步驟S6建立決策樹模型得到f_i+1；

5)重復上述步驟，共生成L棵樹，得到提升決策樹：

f_boost(F)＝f₀(F)+ηf₁(F)+...+ηf_L(F)；

S8：獲取待檢測鋅浮選泡沫樣本數據輸入計算機，計算機根據步驟S3，S4計算過程尺寸特征，并輸入S7中得到的模型，即可得到預測的鋅精品位。

2.根據權利要求1所述一種基于過程尺寸特征的鉛鋅礦品位軟測量方法，其特征在于：

所述對S4中估計參數A,C,V的值，將其排列成一個列向量F，步驟如下：

1)將S4中的高斯馬爾科夫滑動自回歸模型中的y(k),寫做如下形式，Y＝[y(1),y(2),y(3),...,y(q)]；

2)求出模型的所有輸出y(k)的平均值y_m,令Y^q＝Y-y_m；利用一個從m*q維空間到實數域的映射函數作為概率密度函數，來模擬y(k)，其數學表達式如下：

其中：μ是一個與Y^q形狀相同的矩陣，∑是一個對稱矩陣且元素為正數，z是一個歸一化常數；

求解使得p(Y^q)最大時的參數值，即