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；
[0058] 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；
[0059] 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；
[0060] 对降维后的所述浮选数据进行训练建立集成学习模型。
[0061] 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。
[0062] 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。
[0063] 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：
[0064] 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。
[0065] 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。
[0066] 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：
[0067] 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；
[0068] 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；
[0069] 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。
[0070] 本发明实施例中，集成学习模型主要是训练多个学习器来解决同一问题，其中 的单个学习器称为基础学习器，本发明通过采用k个极限学习机（ExtremeLearning Machine，ELM)算法作为基础学习器来构建集成学习模型，其中k值是根据多次试验，选取 预测结果最好的次数而得到。具体来说，就是把经过主成分分析降维后的浮选数据作为训 练集，采用Bootstrap(自助抽样法）随机产生该训练集的k训练个子集，将k个ELM算法 分别应用于k个训练子集得到k个ELM模型，该集成学习模型最终的预测结果为k个ELM 模型输出结果的平均值。
[0071 ] 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, (i= 1，2,…，N}表示包含N个观察的训练集，其中'eYW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：
[0072] 1)Fort=ltok；
[0073] 2)从L中采用自助抽样法抽取样本L%
[0074] 3)将ELM学习算法应用于LH川练出ELM模型Ct;
[0075] 4)EndFor；
[0076] 5)返回学习机组成的ELM模型集合C=IA，C2,C3，…，Ck}。
[0077] 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
【主权项】
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. -种浮选过程浮精品位的动态预测系统，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所述的系统，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所述的系统，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所述的系统，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所述的系统，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。
【专利摘要】本发明提供一种浮选过程浮精品位的动态预测方法及系统。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。所述系统包括：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。
【IPC分类】G06Q50-02, G06Q10-04, G06N3-08
【公开号】CN104809514
【申请号】CN201510167040
【发明人】张德政, 李林飞, 阿孜古丽, 李擎, 周煜朝
【申请人】北京科技大学
【公开日】2015年7月29日
【申请日】2015年4月9日