基于SVM多類分類算法的鋁土礦泡沫浮選工況識(shí)別研究.pdf

1、鋁土礦浮選生產(chǎn)過程中，泡沫層的特征能夠直接反應(yīng)浮選工況的質(zhì)量指標(biāo)。目前，傳統(tǒng)的工況識(shí)別主要依據(jù)有經(jīng)驗(yàn)的操作工人通過觀察泡沫層表面泡沫的視覺特征來實(shí)現(xiàn)，但由于浮選操作的不確定性和隨意性以及泡沫表面視覺特征的復(fù)雜性，難以保證浮選過程的優(yōu)化運(yùn)行。因此，研究浮選泡沫工況識(shí)別，并用于指導(dǎo)浮選生產(chǎn)過程操作，對(duì)提高浮選精礦品位和礦產(chǎn)資源的利用率以及企業(yè)的經(jīng)濟(jì)效益，都具有非常重要的現(xiàn)實(shí)意義。
　　支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，能有效解決小樣本

2、分類問題，已在模式識(shí)別、回歸估計(jì)等多個(gè)領(lǐng)域得到廣泛的應(yīng)用。對(duì)于如何將支持向量機(jī)二值分類算法推廣到多類支持向量機(jī)分類算法中去，并有效應(yīng)用于鋁土礦泡沫浮選工況識(shí)別的研究，具有較高的理論和實(shí)際應(yīng)用意義。
　　為此，本文首先針對(duì)“一類對(duì)多類”算法由于構(gòu)造子分類器所需訓(xùn)練樣本數(shù)目眾多導(dǎo)致分類精度不高，而“一類對(duì)一類”算法則因其需要構(gòu)造的子分類器數(shù)目眾多，導(dǎo)致分類速度很慢的問題，提出了一種類間“一類對(duì)二類”多類分類算法，該算法能夠使分類精度以

3、及分類速度同時(shí)得到明顯的提升。其次，針對(duì)決策二叉樹和決策有向無環(huán)圖算法因待分樣本不同會(huì)導(dǎo)致生成結(jié)構(gòu)不同，致使分類精度和分類速度都不同的問題，提出了一種基于凸殼二叉樹的多類分類算法，該算法能生成分類效果最佳狀態(tài)下的二叉樹結(jié)構(gòu)，有效地確保分類精度和速度的穩(wěn)定性。UCI數(shù)據(jù)集的仿真結(jié)果表明了所提算法的有效性。
　　最后，在研究鋁土礦泡沫層表面視覺特征與浮選工況關(guān)系的基礎(chǔ)上，提出了基于改進(jìn)的SVM多類分類算法的鋁土礦浮選工況識(shí)別方法。利用