| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-22页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 铝土矿浮选原理 | 第12-17页 |
| 1.2.1 铝土矿浮选工艺过程 | 第12-14页 |
| 1.2.2 矿化过程与泡沫层产生 | 第14-15页 |
| 1.2.3 铝土矿泡沫图像特征与浮选工艺过程关系 | 第15-16页 |
| 1.2.4 铝土矿浮选槽液位分析及其与浮选工艺指标关系 | 第16-17页 |
| 1.3 基于机器视觉的浮选过程控制技术研究现状 | 第17-18页 |
| 1.4 浮选液位优化设定控制技术国内外研究现状 | 第18-20页 |
| 1.5 本文主要研究内容和结构安排 | 第20-22页 |
| 2 浮选液位优化设定模型总体结构与预设定模型 | 第22-28页 |
| 2.1 浮选液位优化设定模型总体结构 | 第22-23页 |
| 2.2 基于案例推理的浮选槽液位预设定模型 | 第23-27页 |
| 2.2.1 案例推理原理及可行性分析 | 第23-25页 |
| 2.2.2 液位预设定模型结构 | 第25-26页 |
| 2.2.3 案例检索、匹配与重用 | 第26-27页 |
| 2.2.4 案例修正、评价与存储 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于多泡沫图像特征的品位预测模型 | 第28-46页 |
| 3.1 泡沫图像特征分析 | 第28-36页 |
| 3.1.1 颜色特征分析 | 第30-32页 |
| 3.1.2 尺寸特征分析 | 第32-33页 |
| 3.1.3 纹理特征分析 | 第33-35页 |
| 3.1.4 速度特征分析 | 第35-36页 |
| 3.2 改进型LS-SVM预测模型 | 第36-43页 |
| 3.2.1 SVM建模 | 第36-39页 |
| 3.2.2 改进型LS-SVM建模 | 第39-43页 |
| 3.3 改进型LS-SVM品位预测模型应用效果分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于BP神经网络模糊推理的智能补偿模型 | 第46-59页 |
| 4.1 模糊推理原理 | 第46-50页 |
| 4.2 BP神经网络 | 第50-53页 |
| 4.3 BP神经网络模糊推理智能补偿模型及实例分析 | 第53-58页 |
| 4.3.1 BP神经网络模糊推理智能补偿模型 | 第53-56页 |
| 4.3.2 应用实例分析 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 粗浮选槽液位智能优化设定方法工业验证研究 | 第59-67页 |
| 5.1 浮选槽液位智能优化设定系统 | 第59-60页 |
| 5.2 功能设计 | 第60-62页 |
| 5.2.1 系统结构设计 | 第60-61页 |
| 5.2.2 软件功能设计 | 第61-62页 |
| 5.3 液位智能优化设定方法工业验证 | 第62-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 结论与展望 | 第67-70页 |
| 6.1 结论 | 第67-68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间主要的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
