| 中文摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1. 绪论 | 第10-18页 |
| ·研究背景与意义 | 第10页 |
| ·浮选过程简介及工艺原理 | 第10-12页 |
| ·软测量技术基本原理 | 第12-14页 |
| ·基于浮选过程的软测量建模方法研究 | 第14-17页 |
| ·机理模型 | 第14-15页 |
| ·过程数据模型 | 第15-16页 |
| ·图像模型 | 第16页 |
| ·混合模型 | 第16-17页 |
| ·本文的主要内容和结构安排 | 第17-18页 |
| 2. 基于PSO-GSA算法的浮选过程优化FNN软测量模型 | 第18-33页 |
| ·引言 | 第18页 |
| ·浮选过程的软测量建模 | 第18-22页 |
| ·软测量模型结构 | 第18-19页 |
| ·前馈神经网络（FNN） | 第19-22页 |
| ·基于PSO-GSA优化FNN软测量模型 | 第22-27页 |
| ·万有引力搜索算法（GSA） | 第22-24页 |
| ·粒子群优化算法（PSO） | 第24-25页 |
| ·PSO-GSA算法 | 第25页 |
| ·PSO-GSA优化FNN的算法流程 | 第25-27页 |
| ·仿真结果 | 第27-32页 |
| ·小结 | 第32-33页 |
| 3. 基于浮选泡沫图像特征提取的SCSA优化BPNN软测量模型 | 第33-55页 |
| ·引言 | 第33页 |
| ·浮选泡沫图像的特征提取 | 第33-41页 |
| ·浮选泡沫图像 | 第33-34页 |
| ·数字图像处理技术 | 第34-36页 |
| ·浮选泡沫图像的颜色特征提取 | 第36-37页 |
| ·浮选泡沫图像的纹理特征提取 | 第37-38页 |
| ·浮选泡沫图像的形状特征提取 | 第38-41页 |
| ·软测量模型结构 | 第41页 |
| ·基于等距映射方法的数据降维 | 第41-43页 |
| ·BP神经网络 | 第43-45页 |
| ·BP神经网络结构和工作原理 | 第43-44页 |
| ·常用BP学习算法 | 第44-45页 |
| ·混合布谷鸟搜索算法优化BP神经网络 | 第45-50页 |
| ·布谷鸟搜索算法 | 第45-47页 |
| ·动态调整步长 | 第47-48页 |
| ·混合布谷鸟搜索算法（SCSA） | 第48页 |
| ·混合布谷鸟搜索算法流程 | 第48-50页 |
| ·仿真结果 | 第50-53页 |
| ·小结 | 第53-55页 |
| 4. 基于改进萤火虫优化算法的浮选过程ESN融合软测量模型 | 第55-67页 |
| ·引言 | 第55页 |
| ·软测量模型结构 | 第55-60页 |
| ·基于KPCA的软测量模型降维 | 第56-58页 |
| ·回声状态网络 | 第58-60页 |
| ·基于改进GSO算法优化ESN软测量模型 | 第60-62页 |
| ·萤火虫优化算法 | 第60-61页 |
| ·拥挤度因子 | 第61-62页 |
| ·算法流程 | 第62页 |
| ·仿真结果 | 第62-65页 |
| ·小结 | 第65-67页 |
| 5. 总结 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73-74页 |
