CN104809514A - 一种浮选过程浮精品位的动态预测方法及*** - Google Patents
一种浮选过程浮精品位的动态预测方法及*** Download PDFInfo
- Publication number
- CN104809514A CN104809514A CN201510167040.XA CN201510167040A CN104809514A CN 104809514 A CN104809514 A CN 104809514A CN 201510167040 A CN201510167040 A CN 201510167040A CN 104809514 A CN104809514 A CN 104809514A
- Authority
- CN
- China
- Prior art keywords
- flotation
- work position
- fine work
- flotation data
- model
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种浮选过程浮精品位的动态预测方法及***。所述方法包括:获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。所述***包括:模型建立单元,用于获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;浮精品位预测单元,用于获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。本发明适用于选矿生产技术领域。
Description
技术领域
本发明涉及选矿生产技术领域,特别是指一种浮选过程浮精品位的动态预测方法及***。
背景技术
目前,在矿山生产过程中,选矿是一个复杂的工业过程,其中包括破碎、磨矿、重选、磁选及浮选等诸多工艺工序,与此同时,各工序间工艺参数相互影响,涉及众多领域问题。浮精是选矿浮选工艺中最终产品,浮精品位的高低,一方面影响着选矿厂生产过程工艺参数的调整,另一方面对选矿厂精矿生产计划品位造成偏差,从而不利于实际生产。因此,浮精品位对选矿厂实际精矿品质及生产过程中的稳态生产具有较大影响作用。但是,浮选过程中的精矿品位需要通过人工进行检测才能获得,品位的可知性具有较大的时间延迟,从而使得工人不能根据精矿质量及时有效地对生产做出调整,因此,需要一种精确的预测模型。
传统的浮精品位预测模型是基于生产机理过程而建立起来的数学模型。由于实际的浮选过程相当复杂,变量维数高、关联性强、噪声大、检测信号不完备、样本浮选数据量大以及模型参数时变等,使得只能考虑一些简单变量进行浮选数据建模,将会导致模型丢失大量生产信息,难以建立较精确的机理模型。而利用人工智能与机器学习的黑盒建模方法能在机理不清楚、信息不完备的情况下对复杂***的历史采集浮选数据进行学习,对未知模型进行逼近建立经验模型。
神经网络作为一种模拟人类大脑神经元的计算机技术,越来越被广泛用于模式识别、语音处理等领域,如果用神经网络技术用于浮精品位的预测,可以明显提高其预测精度。在实际生产中,由于单模型的学习泛化能力较差,预测精度低,不能满足实际生产需求。
发明内容
本发明要解决的技术问题是提供一种浮选过程浮精品位的动态预测方法及***,以解决现有技术所存在的单模型学习泛化能力差,预测精度低的问题。
为解决上述技术问题,本发明实施例提供一种浮选过程浮精品位的动态预测方法,包括:
获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;
获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。
可选地,所述获取浮选过程中与浮精品位相关的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型包括:
按照预设的时间间隔采集浮选过程中的浮选数据,形成浮精品位案例浮选数据库;
对浮精品位案例浮选数据库中的浮选数据进行预处理,所述预处理包括:归一化处理、异常值处理、缺失值处理及去除噪声;
对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,提取与浮精品位相关的浮选数据属性;
对提取的所述浮选数据属性进行主成分分析选取主成分个数,对所述浮选数据进行降维;
对降维后的所述浮选数据进行训练建立集成学习模型。
可选地,所述提取与浮精品位相关的浮选数据属性包括:
根据相关系数公式确定相关度,将相关度超过预设阈值的浮选数据属性提取出来,作为预测浮精品位的参数。
可选地,所述对降维后的所述浮选数据进行训练建立集成学习模型包括:
将降维后的所述浮选数据作为训练集,对所述训练集进行抽样随机产生所述训练集的k个训练子集;
将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型,所述k个ELM模型组成所述集成学习模型;
将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
可选地,所述根据已建立的集成学习模型预测浮精品位包括:
对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析;
根据主成分分析后的新的浮选数据,调用已建立的集成学习模型预测浮精品位。
本发明实施例还提供一种浮选过程浮精品位的动态预测***,包括:
模型建立单元,用于获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;
浮精品位预测单元,用于获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。
可选地,所述模型建立单元包括:
浮选数据库形成模块,用于按照预设的时间间隔采集浮选过程中的浮选数据,形成浮精品位案例浮选数据库;
预处理模块,用于对浮精品位案例浮选数据库中的浮选数据进行预处理,所述预处理包括:归一化处理、异常值处理、缺失值处理及去除噪声;
相关性分析模块,用于对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,提取与浮精品位相关的浮选数据属性;
主成分分析模块,用于对提取的所述浮选数据属性进行主成分分析选取主成分个数,对所述浮选数据进行降维;
建立模型模块,用于对降维后的所述浮选数据进行训练建立集成学习模型。
可选地,所述相关性分析模块,还用于根据相关系数公式确定相关度,将相关度超过预设阈值的浮选数据属性提取出来,作为预测浮精品位的参数。
可选地,所述建立模型模块包括:
随机抽样子模块,用于将降维后的所述浮选数据作为训练集,对所述训练集进行抽样随机产生所述训练集的k个训练子集;
建立模型子模块,用于将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型,所述k个ELM模型组成所述集成学习模型;
输出预测结果子模块,用于将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
可选地,所述浮精品位预测单元包括:
处理分析模块,用于对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析;
预测模块,用于根据主成分分析后的新的浮选数据,调用已建立的集成学习模型预测浮精品位。
本发明的上述技术方案的有益效果如下:
上述方案中,通过对获取的浮选过程中的浮选数据进行分析、训练建立集成学***及浮精品位,减少了资源的浪费,节约了设计人员的精力,具有可观的经济价值和使用价值。
附图说明
图1为本发明实施例提供的浮选过程浮精品位的动态预测方法的流程图;
图2为本发明实施例提供的浮选数据中缺失值的统计示意图;
图3为本发明实施例提供的建立集成学习模型的方法流程图;
图4为本发明实施例提供的当新的浮选数据产生时预测浮精品位的方法流程图;
图5为本发明实施例提供的集成学习模型的验证结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的单模型学习泛化能力差,预测精度低的问题,提供一种浮选过程浮精品位的动态预测方法及***。
实施例一
参看图1所示,本发明实施例提供的一种浮选过程浮精品位的动态预测方法,包括:
S101:获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;
S102:获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。
本发明实施例所述的浮选过程浮精品位的动态预测方法,通过对获取的浮选过程中的浮选数据进行分析、训练建立集成学***及浮精品位,减少了资源的浪费,节约了设计人员的精力,具有可观的经济价值和使用价值。
在前述浮选过程浮精品位的动态预测方法的具体实施方式中,可选地,所述获取浮选过程中与浮精品位相关的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型包括:
按照预设的时间间隔采集浮选过程中的浮选数据,形成浮精品位案例浮选数据库;
对浮精品位案例浮选数据库中的浮选数据进行预处理,所述预处理包括:归一化处理、异常值处理、缺失值处理及去除噪声;
对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,提取与浮精品位相关的浮选数据属性;
对提取的所述浮选数据属性进行主成分分析选取主成分个数,对所述浮选数据进行降维;
对降维后的所述浮选数据进行训练建立集成学习模型。
本发明实施例中,可以利用现有的传感器和其他测试装置,按照预设的时间间隔(例如,15s)采集浮选过程(浮选过程也可以称为:选矿工序)中的各项工业指标浮选数据,形成浮精品位案例浮选数据库;并对存储在浮精品位案例浮选数据库中的浮选数据进行预处理,主要包括归一化处理、异常值处理、缺失值处理及去除噪声,提高浮选数据的可靠性,如图2所示,为浮精品位案例浮选数据库中的缺失值信息,横坐标的标号分别代表浮精品位案例浮选数据库中的属性信息,由图可知,虽然浮选数据库中存在一定的缺失值,但是其所占比重很小,直接删除缺失值信息不会影响浮选数据所包含的信息。
本发明实施例中,分析预处理后的浮选数据的浮选数据属性与浮精品位的相关性,找出影响浮精品位的主要浮选数据属性,并在提取的所述浮选数据属性的基础上进行主成分分析,例如,可以使用方差贡献率超过85%的方式选取主成分个数,将多属性转换为少数几个综合属性,从而达到浮选数据降维的作用。
在前述浮选过程浮精品位的动态预测方法的具体实施方式中,可选地,所述提取与浮精品位相关的浮选数据属性包括:
根据相关系数公式确定相关度,将相关度超过预设阈值的浮选数据属性提取出来,作为预测浮精品位的参数。
本发明实施例中,例如,可以利用Pearson(皮尔逊)相关性分析方法对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,具体的,根据Pearson相关系数公式确定相关度,将相关度超过预设阈值(例如:预设阈值为85%)的浮选数据属性提取出来,作为预测浮精品位的参数。
在前述浮选过程浮精品位的动态预测方法的具体实施方式中,可选地,所述对降维后的所述浮选数据进行训练建立集成学习模型包括:
将降维后的所述浮选数据作为训练集,对所述训练集进行抽样随机产生所述训练集的k个训练子集;
将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型,所述k个ELM模型组成所述集成学习模型;
将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
本发明实施例中,集成学***均值。
本发明实施例中,参看图3所示,本发明所采用的是由k个ELM算法作为基础学习器构建的集成学习模型,训练集成学习模型的输入包括训练集L,ELM学习算法以及k个样本数,其中L={(xi,yi)(i=1,2,…,N}表示包含N个观察的训练集,其中表示第i个观察的输入向量,即与浮精品位相关的属性浮选数据,yi表示第i个观察的输出值,即浮精品位,训练过程如下:
1)For t=1to k;
2)从L中采用自助抽样法抽取样本Lt;
3)将ELM学习算法应用于Lt训练出ELM模型Ct;
4)EndFor;
5)返回学习机组成的ELM模型集合C={C1,C2,C3,…,Ck}。
本发明实施例中,k个ELM模型集合得到的输出结果为k个,本发明取这k个ELM模型输出结果的平均值作为最终的预测结果,设ct为第t(t=1,2,3,……,k)个ELM模型的输出结果,浮精品位的预测结果为:
在前述浮选过程浮精品位的动态预测方法的具体实施方式中,可选地,所述根据已建立的集成学习模型预测浮精品位包括:
对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析;
根据主成分分析后的新的浮选数据,调用已建立的集成学习模型预测浮精品位。新的浮选数据产生时
本发明实施例中,参看图4所示,当新的浮选数据产生时,对所述浮选数据进行采集,并对采集的所述浮选数据进行预处理、相关性分析、主成分分析,然后调用已建立的集成学习模型预测浮精品位,从图5的验证结果可以看出,该集成学习模型是合理的,所以浮精品位预测结果是可信的。本发明充分利用现有的人工神经网络技术,利用其在非线性模型预测中的应用,构建了浮精品位的动态预测模型,辅助浮选车间人员进行生产活动,有效地提高浮精品位的含量,减少资源的浪费,提高企业利润。
实施例二
本发明还提供一种浮选过程浮精品位的动态预测***的具体实施方式,由于本发明提供的浮选过程浮精品位的动态预测***与前述浮选过程浮精品位的动态预测方法的具体实施方式相对应,该浮选过程浮精品位的动态预测***可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述浮选过程浮精品位的动态预测方法具体实施方式中的解释说明,也适用于本发明提供的浮选过程浮精品位的动态预测***的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
本发明实施例还提供一种浮选过程浮精品位的动态预测***,包括:
模型建立单元,用于获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;
浮精品位预测单元,用于获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。
本发明实施例所述的浮选过程浮精品位的动态预测***,通过对获取的浮选过程中的浮选数据进行分析、训练建立集成学***及浮精品位,减少了资源的浪费,节约了设计人员的精力,具有可观的经济价值和使用价值。
在前述浮选过程浮精品位的动态预测***的具体实施方式中,可选地,所述模型建立单元包括:
浮选数据库形成模块,用于按照预设的时间间隔采集浮选过程中的浮选数据,形成浮精品位案例浮选数据库;
预处理模块,用于对浮精品位案例浮选数据库中的浮选数据进行预处理,所述预处理包括:归一化处理、异常值处理、缺失值处理及去除噪声;
相关性分析模块,用于对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,提取与浮精品位相关的浮选数据属性;
主成分分析模块,用于对提取的所述浮选数据属性进行主成分分析选取主成分个数,对所述浮选数据进行降维;
建立模型模块,用于对降维后的所述浮选数据进行训练建立集成学习模型。
在前述浮选过程浮精品位的动态预测***的具体实施方式中,可选地,所述相关性分析模块,还用于根据相关系数公式确定相关度,将相关度超过预设阈值的浮选数据属性提取出来,作为预测浮精品位的参数。
在前述浮选过程浮精品位的动态预测***的具体实施方式中,可选地,所述建立模型模块包括:
随机抽样子模块,用于将降维后的所述浮选数据作为训练集,对所述训练集进行抽样随机产生所述训练集的k个训练子集;
建立模型子模块,用于将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型,所述k个ELM模型组成所述集成学习模型;
输出预测结果子模块,用于将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
在前述浮选过程浮精品位的动态预测***的具体实施方式中,可选地,所述浮精品位预测单元包括:
处理分析模块,用于对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析;
预测模块,用于根据主成分分析后的新的浮选数据,调用已建立的集成学习模型预测浮精品位。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种浮选过程浮精品位的动态预测方法,其特征在于,包括:
获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;
获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。
2.根据权利要求1所述的方法,其特征在于,所述获取浮选过程中与浮精品位相关的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型包括:
按照预设的时间间隔采集浮选过程中的浮选数据,形成浮精品位案例浮选数据库;
对浮精品位案例浮选数据库中的浮选数据进行预处理,所述预处理包括:归一化处理、异常值处理、缺失值处理及去除噪声;
对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,提取与浮精品位相关的浮选数据属性;
对提取的所述浮选数据属性进行主成分分析选取主成分个数,对所述浮选数据进行降维;
对降维后的所述浮选数据进行训练建立集成学习模型。
3.根据权利要求2所述的方法,其特征在于,所述提取与浮精品位相关的浮选数据属性包括:
根据相关系数公式确定相关度,将相关度超过预设阈值的浮选数据属性提取出来,作为预测浮精品位的参数。
4.根据权利要求2所述的方法,其特征在于,所述对降维后的所述浮选数据进行训练建立集成学习模型包括:
将降维后的所述浮选数据作为训练集,对所述训练集进行抽样随机产生所述训练集的k个训练子集;
将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型,所述k个ELM模型组成所述集成学习模型;
将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
5.根据权利要求1所述的方法,其特征在于,所述根据已建立的集成学习模型预测浮精品位包括:
对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析;
根据主成分分析后的新的浮选数据,调用已建立的集成学习模型预测浮精品位。
6.一种浮选过程浮精品位的动态预测***,其特征在于,包括:
模型建立单元,用于获取浮选过程中的浮选数据,对所述浮选数据进行分析、训练建立集成学习模型;
浮精品位预测单元,用于获取浮选过程中新的浮选数据,对所述新的浮选数据进行分析,并调用已建立的集成学习模型预测浮精品位。
7.根据权利要求6所述的***,其特征在于,所述模型建立单元包括:
浮选数据库形成模块,用于按照预设的时间间隔采集浮选过程中的浮选数据,形成浮精品位案例浮选数据库;
预处理模块,用于对浮精品位案例浮选数据库中的浮选数据进行预处理,所述预处理包括:归一化处理、异常值处理、缺失值处理及去除噪声;
相关性分析模块,用于对预处理后的所述浮选数据的浮选数据属性与浮精品位进行相关性分析,提取与浮精品位相关的浮选数据属性;
主成分分析模块,用于对提取的所述浮选数据属性进行主成分分析选取主成分个数,对所述浮选数据进行降维;
建立模型模块,用于对降维后的所述浮选数据进行训练建立集成学习模型。
8.根据权利要求7所述的***,其特征在于,所述相关性分析模块,还用于根据相关系数公式确定相关度,将相关度超过预设阈值的浮选数据属性提取出来,作为预测浮精品位的参数。
9.根据权利要求7所述的***,其特征在于,所述建立模型模块包括:
随机抽样子模块,用于将降维后的所述浮选数据作为训练集,对所述训练集进行抽样随机产生所述训练集的k个训练子集;
建立模型子模块,用于将k个ELM算法分别应用于所述k个训练子集得到k个ELM模型,所述k个ELM模型组成所述集成学习模型;
输出预测结果子模块,用于将k个ELM模型输出结果的平均值作为所述集成学习模型的预测结果。
10.根据权利要求6所述的***,其特征在于,所述浮精品位预测单元包括:
处理分析模块,用于对已获取的浮选过程中的新的浮选数据进行预处理、相关性分析和主成分分析;
预测模块,用于根据主成分分析后的新的浮选数据,调用已建立的集成学习模型预测浮精品位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510167040.XA CN104809514A (zh) | 2015-04-09 | 2015-04-09 | 一种浮选过程浮精品位的动态预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510167040.XA CN104809514A (zh) | 2015-04-09 | 2015-04-09 | 一种浮选过程浮精品位的动态预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104809514A true CN104809514A (zh) | 2015-07-29 |
Family
ID=53694323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510167040.XA Pending CN104809514A (zh) | 2015-04-09 | 2015-04-09 | 一种浮选过程浮精品位的动态预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809514A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260805A (zh) * | 2015-11-16 | 2016-01-20 | 中南大学 | 一种基于异构分类器选择性融合的锑矿品位软测量方法 |
CN110728329A (zh) * | 2019-07-13 | 2020-01-24 | 中南大学 | 一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法 |
CN111482280A (zh) * | 2020-04-22 | 2020-08-04 | 齐鲁工业大学 | 一种基于无线传感网络的铜矿浮选智能软测量方法及*** |
CN115049165A (zh) * | 2022-08-15 | 2022-09-13 | 北矿机电科技有限责任公司 | 基于深度学习的浮选精矿品位预测方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN104299045A (zh) * | 2014-09-24 | 2015-01-21 | 东北大学 | 一种选矿生产全流程精矿产量预报***及方法 |
-
2015
- 2015-04-09 CN CN201510167040.XA patent/CN104809514A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN104299045A (zh) * | 2014-09-24 | 2015-01-21 | 东北大学 | 一种选矿生产全流程精矿产量预报***及方法 |
Non-Patent Citations (4)
Title |
---|
付倩 等: "一种改进的集成在线顺序极限学习机", 《无线通信技术》 * |
刘长鑫 等: "选矿过程精矿品位自适应在线支持向量预测方法", 《控制理论与应用》 * |
曹斌芳 等: "基于多源数据的铝土矿浮选生产指标集成建模方法", 《控制理论与应用》 * |
李海波 等: "浮选工艺指标KPCA-ELM软测量模型及应用", 《化工学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260805A (zh) * | 2015-11-16 | 2016-01-20 | 中南大学 | 一种基于异构分类器选择性融合的锑矿品位软测量方法 |
CN105260805B (zh) * | 2015-11-16 | 2018-10-23 | 中南大学 | 一种基于异构分类器选择性融合的锑矿品位软测量方法 |
CN110728329A (zh) * | 2019-07-13 | 2020-01-24 | 中南大学 | 一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法 |
CN111482280A (zh) * | 2020-04-22 | 2020-08-04 | 齐鲁工业大学 | 一种基于无线传感网络的铜矿浮选智能软测量方法及*** |
CN115049165A (zh) * | 2022-08-15 | 2022-09-13 | 北矿机电科技有限责任公司 | 基于深度学习的浮选精矿品位预测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN104050514B (zh) | 一种基于再分析数据的海浪有效波高的长期趋势预测方法 | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN109146161A (zh) | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 | |
CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
CN104809514A (zh) | 一种浮选过程浮精品位的动态预测方法及*** | |
CN104537415A (zh) | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 | |
CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN106372799A (zh) | 一种电网安全风险预测方法 | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
CN112990531B (zh) | 一种基于特征增强ConvLSTM的雾霾预测方法 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
CN102175203A (zh) | 一种输电线路覆冰突出影响因素分析方法 | |
Zheng et al. | Prediction of road traffic accidents using a combined model based on IOWGA operator | |
Lu et al. | A deep belief network based model for urban haze prediction | |
CN103678953A (zh) | 基于贝叶斯组合神经网络的生物发酵产量在线预报方法 | |
Ma et al. | A grey forecasting model based on BP neural network for crude oil production and consumption in China | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150729 |
|
RJ01 | Rejection of invention patent application after publication |