Indexed by：
Abstract：
针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法.首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取每个尺度图像的深度特征并进行多尺度特征融合;然后,构建RAE-KELM,将用量子计算改进的细菌觅食算法用于RAE-KELM的参数优化;最后,通过自建数据集训练得到最优的RAE-KELM模型,实现了浮选加药状态的自适应识别.实验结果表明,本方法的识别准确率可达到98.88％;且本方法减少了人工干预,有利于提高生产效率.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
激光与光电子学进展
ISSN： 1006-4125
CN： 31-1690/TN
Year： 2021
Issue： 12
Volume： 58
Page： 401-410
0 . 0
JCR@2021
0 . 9 0 0
JCR@2023
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count： 1
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 8
Affiliated Colleges：
