水中气泡上升轨迹预测方法研究
| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 选题背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要内容 | 第12-14页 |
| 第二章 泡沫浮选机理介绍 | 第14-26页 |
| 2.1 泡沫浮选的工艺 | 第14-16页 |
| 2.2 分选机制 | 第16-18页 |
| 2.3 浮选设备 | 第18-19页 |
| 2.4 影响浮选效率的因素 | 第19-22页 |
| 2.4.1 矿浆浓细度 | 第19-20页 |
| 2.4.2 矿浆液位与泡沫层厚度 | 第20页 |
| 2.4.3 浮选药剂 | 第20-21页 |
| 2.4.4 空气鼓入量 | 第21-22页 |
| 2.5 水中气泡的采集 | 第22-25页 |
| 2.5.1 水中气泡与浮选气泡的关系 | 第22页 |
| 2.5.2 实验设备与数据采集 | 第22-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 数据预处理 | 第26-38页 |
| 3.1 常用的数据处理方法 | 第26-28页 |
| 3.2 经验模态分解理论 | 第28-31页 |
| 3.2.1 经验模态分解 | 第28-29页 |
| 3.2.2 集合经验模态分解 | 第29-31页 |
| 3.2.3 算法对比与选择 | 第31页 |
| 3.3 基于经验模态分解的自适应滤波算法 | 第31-37页 |
| 3.3.1 能量去噪法 | 第31-32页 |
| 3.3.2 改进的能量去噪算法 | 第32-35页 |
| 3.3.3 去噪仿真 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于神经网络极值修正的EMD端点延拓算法 | 第38-54页 |
| 4.1 常用的神经网络算法 | 第38-40页 |
| 4.2 RBF神经网络 | 第40-42页 |
| 4.3 经验模态分解算法的不足及其改进 | 第42-49页 |
| 4.3.1 端点效应 | 第42-44页 |
| 4.3.2 解决端点效应的一般方法 | 第44-45页 |
| 4.3.3 改进的EMD端点延拓算法 | 第45-49页 |
| 4.4 模型仿真 | 第49-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 水中气泡上升轨迹的预测 | 第54-62页 |
| 5.1 基于EMD的RBF预测模型 | 第54-55页 |
| 5.2 基于AFEMD的RBF预测模型 | 第55-57页 |
| 5.3 基于改进AFEMD的RBF预测模型 | 第57-58页 |
| 5.4 模型评价 | 第58-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 发表论文和参加科研情况 | 第68-70页 |
| 致谢 | 第70页 |
