基于长程时空特征与多尺度外观特征的锌精选工况识别北大核心

锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。     

基于特征融合宽度学习系统的锌浮选过程工况识别

浮选工况是浮选操作的重要判断依据,如何准确地识别浮选工况对浮选性能的提升有重要意义。基于机器视觉方法是浮选工况识别的主流方法,通常采用大数据技术在浮选工况数据集上建立浮选表层泡沫特征与浮选工况之间的关系模型,工况识别效果与工况数据集密切相关。一旦出现数据集中未包含的新工况,难以获得满意的识别效果。为此,针对当前大部分工况识别方法自适应性不足的问题,本文以锌精选为例,提出一种基于多特征宽度学习的锌浮选工况识别方法,以增量学习方式自适应新出现的工况。首先,根据多特征的不同特性,构建基于多特征宽度学习的锌精选工况识别模型;然后,在浮选状态变化和精选槽故障导致模型识别准确率降低时,通过拓宽特征层、增强层以及输出层的方式调整网络结构以进行增量学习。实验结果表明,本文所提出的基于多特征宽度学习系统的锌浮选工况识别方法具有良好的工况自适应性能,应用价值良好。     

基于RBF网络的锌基合金焊缝熔敷金属摩擦学性能预测

以ZA12合金熔化焊焊缝区（熔敷金属）的磨损试验数据为样本,建立的油润滑磨损工况条件与其焊缝区摩擦学性能之间的RBF网络模型,具有收敛速度快、精度高等优点,完全可用于焊缝区摩擦学性能的预测设计。     

基于复杂网络的锌矿石国际贸易格局演化特征分析

近年来国家之间的贸易往来越来越频繁,锌矿石的国际贸易格局不断发生改变。通过对2010-2019年锌矿石国际贸易数据进行系统分析,构建以国家为节点,国家之间存在的贸易联系为边的锌矿石国际贸易有向加权复杂网络,分析国际锌矿石贸易网络演变特征,识别出贸易核心国家及枢纽国家,并提出相应的对策建议,以期为我国制定锌矿石贸易政策提供参考。研究表明：锌矿石贸易规模不断扩大,贸易关系集聚在少数国家的局面逐渐被打破,贸易全球化的趋势越来越强;中国锌矿石贸易量多年位列第一,处于贸易枢纽中心。建议利用好合作伙伴关系的优势,在进口方面与澳大利亚、秘鲁等国加强合作,同时提高冶炼技术,以缓解供应压力。     

基于改进随机森林算法的地质构造识别模型

地震属性常常用来进行构造解释以及预测。为克服单一地震属性预测带来的多解性和不确定性的问题,采用地震多属性融合技术对地质构造进行解释以及预测。基于经典的机器学习随机森林算法模型,提出了一种改进的随机森林算法对多种地震属性进行融合分类,将地震多属性融合技术与改进的随机森林算法结合,建立了基于改进随机森林算法的地质构造识别模型。以山西新元煤炭责任有限公司二条带二采区作为研究区域,基于三维地震勘探成果提取到的12种地震属性,通过对12种属性进行属性相关性分析以及特征重要性分析,依据结果保留了全部12种属性进行后续的属性融合。利用揭露验证后的地质构造-断层和陷落柱作为样本标签,提出一种改进网格搜索的优化算法,将分类器数目与单棵决策树的最大特征数组成参数对进行网格搜索,基于Python语言平台建立算法模型,实验结果表明改进后的算法模型预测准确率达到97%,经过后续的模型验证,证明了相比于逻辑回归、梯度提升与决策树等几种算法,改进后的随机森林算法能够更加有效地识别地质构造中的断层与陷落柱等异常体,且识别准确率更高,算法适用性更加广泛。     

基于计算机网络技术的车辆识别技术的研究

随着我国经济建设的飞速发展,机动车数量与日俱增,由此产生的交通问题日益突出。车辆识别作为城市交通中的重要部分,对其进行深入研究,对解决城市交通问题,加速城市的经济建设和强化社会治安管理工作等具有非常重要的现实意义。     

基于VGG＿16网络的煤和矸石识别技术研究

针对传统选煤方法在煤矸识别上效率低、错选率高等问题,提出了视觉图像加卷积神经网络的煤和矸石识别新方法。在团队研发的煤矸分拣机器人平台上采集了煤矸图像数据并进行了扩充处理。以卷积神经网络VGG＿16为基础设计改进了模型,通过设置不同的模型参数验证了其在煤和矸石识别上的性能。结果表明,新模型能在占用很少的硬件资源下达到较高的煤矸识别率,当网络学习率设置为0.000 1和正则化系数设置为0.001时模型的性能达到最优,训练集和测试集的识别准确率分别达到了99.73%和97.58%。     

Working condition recognition based on an improved NGLDM and interval data-based classifier for the antimony roughing process

Texture, as one of the most important features of the froth surface, is considered closely related to flotation working conditions and the production index. A working condition recognition method based on an improved neighboring gray level dependence matrix (NGLDM) and interval data classifier is proposed for the antimony roughing process. First, an improved NGLDM is presented for an image. Next, a new composite texture is defined that associates the bubble characteristics of size, shape, and roughness with a froth image. Finally, combined with the ore grade, the numerical intervals representing the extracted composite textures are adopted for off-line classification and on-line recognition by a support vector machine (SVM) classifier for froth images under different working conditions. Experiments show that the new composite texture feature extractor using the improved NLGDM has greater stability, separability and classification accuracy than the normal texture feature extractor using NGLDM does. Therefore, the interval data-based SVM classifier is feasible and effective for working condition recognition in the antimony roughing process.     

基于多传感器数据融合的目标识别方法

基于对目标识别特点的认识，给出了目标识别的可能性描述方法，讨论了目标识别决策级融合的一些常用方法，包括基于最大后验概率、D-S证据理论、模糊综合函数及黑板模型的目标识别融合方法．提出了一种将模糊神经网络与证据推理相结合的数据融合目标识别方法．     

基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型

粉煤灰烧失量预测是对其合理利用的前提,常规实验方法成本高,常常不能满足现场需求.针对此问题本文提出了基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型,引入了A dam算法和dropout技术对卷积神经网络进行改进,将粉煤灰颗粒图像的灰度均值、灰度方差、能量和熵值4个特征参数作为输入量,将粉煤灰烧失量的实验值作为...