一种基于异构分类器选择性融合的锑矿品位软测量方法
【技术领域】
[0001] 本发明属于泡沫浮选技术领域，具体涉及一种锑浮选精矿品位的预测方法。
【背景技术】
[0002] 泡沫浮选是当今锑冶炼中最主要的选矿方法之一，浮选法是一种利用矿物颗粒表 面的物理化学性质不同导致亲水性不同，进而对矿物进行分选的方法，具有很强的实用价 值。通过在浮选过程中不断地搅拌和充气，可以形成大量具有不同尺寸、颜色、形态以及纹 理等特征的气泡，矿物颗粒黏附在气泡表面进而实现矿物分选。精矿品位是矿物浮选过程 的重要生产指标之一。现场的操作人员根据要求定时的采集矿浆泡沫样本，通过离线化验 有用矿物的含量，从而计算精矿品位，判断浮选的状态，进而指导浮选生产。虽然选厂通过 离线化验分析能够得到精矿品位，但是之后生产数个小时，并且这种方法受到人为因素影 响较大，检验过程复杂且成本高。又由于浮选工艺流程长、影响因素多，无法实现精矿品位 的在线检测，影响了对加药量和其他参数的即时调整，最终影响了矿物的回收率。因此，研 究浮选过程生产指标的实时在线检测方法，对指导生产操作和过程的优化运行具有重要的 意义。
[0003] 随着计算机技术、数字图像处理技术的快速发展，将基于机器视觉的软测量技术 应用于浮选过程给浮选指标的实时监测带来了新的突破，获得了更多与品位相关的浮选 指标。在浮选生产过程中，由于不仅有通过浮选泡沫图像采集系统获得速度、稳定度、灰度 均值、红色分量、绿色分量、蓝色分量、泡沫尺寸、尺寸方差、承载率、色度、亮度、峰值、偏斜 度等泡沫图像特征，同时还有从现场获取的PH值以及加药量等信息，它们在不同程度上反 映了精矿品位变化状态，但特征间存在信息冗余，严重影响了对工况识别的准确性，且增 加了计算的复杂度。研究发现，仅选用部分图像特征即可充分表达工况信息。浮选精矿品 位的预测是一个具有多参数复杂的综合识别问题。传统的精矿品位预测主要采用神经网络 或支持向量机等方法进行品位预测，存在训练样本大、计算量大的问题；并且使用同质分类 器融合方法存在子模型数量冗余、耗时长的问题，在应用上仍然存在一定问题。
【发明内容】
[0004] 针对浮选过程中精矿品位在线检测比较困难，现有技术在锑浮选精矿品位预测上 的不足，本发明利用与锑精矿品位相关的多种特征，提出一种选择性加权融合具有不同核 函数的KELM的锑浮选精矿品位预测方法。
[0005] 本发明采用的技术方案步骤如下：
[0006] Sl :通过浮选图像采集系统获取锑浮选图像特征数据以及生产数据，对采集的数 据分析，除去其中空缺的数据项，去掉超出每个参数的变量区间的错误采集的数据项。
[0007] S2:根据处理后的锑浮选图像数据以及生产数据样本得到具有较大差异性的多个 子样本集，具体步骤如下：
[0008] (1)获取锑浮选的生产数据并根据泡沫图像处理系统获取若干个泡沫图像特征， 组成样本空间；
[0009] (2)从样本空间中随机挑选选择M个特征（M大小根据多次测试确定），随机挑选 L次（L大小根据多次测试确定），得到一个大小为L的子样本空间集；
[0010] (3)对获得的L个子样本空间分别使用bootsrap采样获得具有不同样本组合的L 个子样本空间集；
[0011] (4)对L个子样本空间分别使用PCA分析，根据累计贡献率获得累计贡献率大于 85%的主成分。
[0012] S3 :基于具有不同核函数的KELM，通过不同的样本子集分别训练得到具有多样性 的子模型，具体步骤有：
[0013] (1)对获取的L个子样本空间集中的每一个使用RBF核的KELM获取精矿品位的预 测结果；
[0014] (2)对获取的L个子样本空间集中的每一个使用多项式核的KELM，获取精矿品位 的预测结果；
[0015] (3)计算每一个子模型的RMSE (均方根误差）。
[0016] S4 :采用信息熵方法，对获取的子模型分别赋予不同的权重，具体步骤如下：
[0017] 设第j个模型在第i个采样值的预测相对误差ei]为
[0019] 其中，yi是第i个采样值的真实值；兄是第j个模型在第i个采样值的预测值。
[0020] 本发明根据信息熵的相关概念，重新定义单一候选子模型的预测误差序列的变异 程度。
[0021] 通过如下方法确定加权系数，其步骤如下：
[0022] (1)计算第j个候选子模型在第i个采样时刻的预测相对误差的比例Pl]
[0024] 其中，ei]是第j个模型在第i个采样值的预测相对误差，2L是候选子模型个数，η 是采样值的个数。
[0025] (2)计算第j个单一预测模型的预测相对误差的熵值Ε]:
[0027] 其中k>0,本发明中k = 1/lnn。
[0028] (3)计算第j个单一预测模型的加权系数a]:
[0030] 候选子模型权系数向量Ai= [a U a2, · · ·，a2J，且满足
[0031] S5 :根据RMSE (均方根误差）从小到大对所有子模型排序，并分别加权组合，获得 具有最小RMSE的子模型组合作为最终模型，具体步骤如下：
[0032] (1)按照候选子模型预测的均方根误差从小到大排序
[0034] 其中η是样本个数，P是第j个子模型对第i个样本的预测值，yi是第i个样本 的实际值。
[0035] (2)假定精矿品位融合子模型数量s = 2。
[0036] (3)根据步骤1所得的子模型排序，结合熵权法获取每个子模型系数，按如下规则 选择最优子模型：
[0038] 上式中，RMSEs为选择融合子模型数量为s时的预测值均方根误差；Min (RMSE s)是 各种模型组合中最小均方根误差值；a,为子模型加权系数。且满足，
[0039] ⑷另 s = s+1.
[0040] (5)若S = Sn_l，贝IJ转至（6);否贝IJ转至（3) 〇 Sn是精矿品位融合模型的子模型总 数。
[0041] (6)从小到大排序Sn-2个选择性融合子模型，确定Min (RMSEs)的选择融合模型为 最终精矿品位预测模型。
[0042] 采用上述方法，建立的选择性融合模型为：
[0044] 其中，X,表示第j个训练数据子集，f ,表示第j个KELM子模型。
[0045] S6 :获取待检测锑浮选泡沫样本数据以及生产数据输入工业计算机；
[0046] S7 :工业计算机根据输入样本使用步骤S5获得的模型得到锑浮选的精矿品位。
[0047] S2中所述的M取特征总数的60~80 %，随机挑选L次，得到一个大小为L的子样 本空间集，L的取值范围为40~60。
[0048] 本发明提出了一种基于异构多模型选择性融合的锑浮选精矿品位的软测量的方 法，解决了现场锑矿品位在线检测难的问题；通过浮选图像采集系统获取泡沫图像信息并 结合现场与精矿品位相关的生产数据信息构成样本空间，改进了传统方法仅仅采用部分 方面特征做分析，例如仅仅采用图像特征，结果比较片面的问题，增加了相关特征的范围， 提高了准确度；针对单一的方法生成的子模型多样性不足，本发明结合锑浮选特点，采用 随机选取部分特征的方法形成具有不同特征的样本子空间，然后对每个样本子空间使用 bootstrop采样获得具有多样性的样本子空间，通过对每一个子样本空间使用PCA分析，获 得累计贡献率较大的特征，解决了样本特征过多带来的冗余以及误差，克服了使用单一的 方式生成子样本空间多样性缺乏的问题；分别利用具有较强学习能力的RBF核以及具有较 强泛化能力的多