| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 论文研究背景及意义 | 第9-11页 |
| 1.2 浮选过程矿物品位检测现状 | 第11-12页 |
| 1.3 浮选过程建模方法的研究现状 | 第12-15页 |
| 1.3.1 基于机理的建模方法 | 第13页 |
| 1.3.2 基于数据的建模方法 | 第13-15页 |
| 1.3.3 集成建模方法 | 第15页 |
| 1.4 基于泡沫图像特征的浮选精矿品位预测研究现状 | 第15-17页 |
| 1.5 论文的主要研究内容及结构安排 | 第17-19页 |
| 2 铝土矿浮选工艺及其图像特征分析 | 第19-28页 |
| 2.1 铝土矿浮选工艺 | 第19-22页 |
| 2.1.1 泡沫浮选原理 | 第19-20页 |
| 2.1.2 选矿-拜耳法的工艺流程 | 第20页 |
| 2.1.3 铝土矿浮选的工艺流程 | 第20-22页 |
| 2.2 表征精矿品位的泡沫图像特征分析 | 第22-25页 |
| 2.3 精矿品位预测建模思路 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 多槽泡沫图像的关键特征选取及关联性分析 | 第28-45页 |
| 3.1 多槽泡沫图像特征的获取及预处理 | 第28-31页 |
| 3.1.1 多槽泡沫图像特征获取 | 第28-29页 |
| 3.1.2 泡沫图像特征预处理 | 第29-31页 |
| 3.2 基于粗糙集属性约简的多槽泡沫图像关键特征选取 | 第31-36页 |
| 3.2.1 基于广义重要度的实数粗糙集属性约简 | 第31-34页 |
| 3.2.2 基于粗糙集属性约简的关键特征选取 | 第34-36页 |
| 3.3 关键特征的关联性分析 | 第36-44页 |
| 3.3.1 单槽的泡沫图像关键特征与矿物品位的关系 | 第37-39页 |
| 3.3.2 多槽泡沫图像关键特征的变化关系分析 | 第39-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 基于多槽机器视觉的铝土矿浮选精矿品位预测 | 第45-60页 |
| 4.1 基于改进粒子群优化的多核LS-SVM粗选槽精矿品位预测 | 第45-52页 |
| 4.1.1 多核LS-SVM模型 | 第45-47页 |
| 4.1.2 基于改进粒子群的模型参数优化 | 第47-48页 |
| 4.1.3 基于改进粒子群优化的多核LS-SVM建模 | 第48-50页 |
| 4.1.4 模型仿真及对比分析 | 第50-52页 |
| 4.2 基于关联向量机的精矿品位误差补偿模型 | 第52-56页 |
| 4.2.1 基于单一浮选槽泡沫图像特征建模存在的问题 | 第52页 |
| 4.2.2 基于关联向量机的精矿品位补偿模型 | 第52-55页 |
| 4.2.3 补偿模型仿真及分析 | 第55-56页 |
| 4.3 基于多槽泡沫图像特征的精矿品位集成预测 | 第56-58页 |
| 4.4 集成预测模型仿真及分析 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 铝土矿浮选精矿品位预测系统 | 第60-69页 |
| 5.1 系统的总体构架 | 第60-61页 |
| 5.1.1 系统硬件结构 | 第60-61页 |
| 5.1.2 系统软件设计 | 第61页 |
| 5.2 系统的功能设计 | 第61-66页 |
| 5.3 精矿品位预测系统验证结果分析 | 第66-67页 |
| 5.4 本章小结 | 第67-69页 |
| 6 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间主要的研究成果 | 第77-78页 |
| 致谢 | 第78页 |
