[发明专利]一种基于过程尺寸特征的锌矿品位软测量方法

权利要求书

1.一种基于过程尺寸特征的铅锌矿品位软测量方法，包括以下步骤：

S1：收集不同品位下的锌浮选的泡沫视频和生产数据，对采集到的锌浮选数据以及生产数据进行数据预处理,如下：

1)剔除测量到的数据取值超出变化范围的错误数据；

2)剔除不匹配的数据以及存在空缺值的数据；

S2：利用浮选现场图像采集系统所获得的泡沫视频读取RGB泡沫图像，将泡沫图像由RGB颜色空间转化到HSI颜色空间，并提取亮度分量作为源图像，得到一个图像序列I＝[I₁,I₂,...,I_q]，q为视频帧数；

S3：对图像序列I中的第i帧泡沫图像I_i做分割并统计分割结果中所有气泡的面积的概率直方图H_i,用韦伯分布函数拟合H_i，得到韦伯分布函数的参数β_i,μ_i,γ_i，将T_i＝[β_i,μ_i,γ_i]作为第i帧泡沫图像I_i的尺寸分布特征，对图像序列I中每一帧图像都做相同处理，得到尺寸分布序列T＝[T₁,T₂,...,T_q]；

S4：对S3中得到的尺寸分布序列T_k建立高斯-马尔可夫自回归滑动平均模型，其函数表达式如下：

其中：x(k)，x(k+1)是n维的状态向量；

y(k)是一个m维的输出向量，y(k)＝T_k代表纹理特征；

v(k)是一个服从高斯分布的随机变量，它的协方差矩阵为V；

w(k)是一个服从高斯分布的随机变量，协方差矩阵为W；

k＝1,2,3...,q

估计出参数A,C,V的值，将其排列成一个列向量F，称F为这一段时间浮选过程的过程尺寸特征；

S5：将S4中得到的F和与其对应的精矿品位G组合在一起，作为一个样本点D_i＝{F_i,G_i)}；将收集的所有的视频求出过程尺寸特征，与精矿品位组合，求出所有的样本点集合D＝{(F₁,G₁),...,(F_i,G_i),...,(F_N,G_N)}，用F_i^(j)表示F_i的第j个分量；

S6：用S5中获得的样本集，采用CART算法训练决策树模型，记为f₀；

S7：建立预测模型，设计一个损失函数Lf来定量的计算生成的模型输出值与实际测量值的偏差，根据损失函数Lf逐步递增地生成一个以f₀为基础的提升树模型，其步骤如下：

1)将f_i更新为f_i'＝f_i+φ_i+1(F)，其中：i＝0,1,2,3...，φ_i+1为新加入的弱学习器；

2)设计损失函数Lf，令其中，η为一个小于1的常数；

3)求解得到使得损失函数Lf取最小值的φ_i+1的数值解；

4)以φ_i+1为目标值，按照步骤S6建立决策树模型得到f_i+1；

5)重复上述步骤，共生成L棵树，得到提升决策树：

f_boost(F)＝f₀(F)+ηf₁(F)+...+ηf_L(F)；

S8：获取待检测锌浮选泡沫样本数据输入计算机，计算机根据步骤S3，S4计算过程尺寸特征，并输入S7中得到的模型，即可得到预测的锌精品位。

2.根据权利要求1所述一种基于过程尺寸特征的铅锌矿品位软测量方法，其特征在于：

所述对S4中估计参数A,C,V的值，将其排列成一个列向量F，步骤如下：

1)将S4中的高斯马尔科夫滑动自回归模型中的y(k),写做如下形式，Y＝[y(1),y(2),y(3),...,y(q)]；

2)求出模型的所有输出y(k)的平均值y_m,令Y^q＝Y-y_m；利用一个从m*q维空间到实数域的映射函数作为概率密度函数，来模拟y(k)，其数学表达式如下：

其中：μ是一个与Y^q形状相同的矩阵，∑是一个对称矩阵且元素为正数，z是一个归一化常数；

求解使得p(Y^q)最大时的参数值，即