| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 基于机器视觉的浮选过程控制研究现状 | 第10-13页 |
| 1.3 浮选矿浆pH值控制国内外研究现状 | 第13-16页 |
| 1.3.1 预测控制研究现状 | 第13-14页 |
| 1.3.2 pH值控制研究现状 | 第14-16页 |
| 1.4 论文主要内容及结构 | 第16-18页 |
| 2 金锑矿浮选工艺机理分析 | 第18-29页 |
| 2.1 金锑矿浮选工艺 | 第18-19页 |
| 2.2 pH值对浮选过程的影响分析 | 第19-22页 |
| 2.2.1 影响金锑矿物的可浮性 | 第20页 |
| 2.2.2 影响药剂的浮选活性 | 第20-21页 |
| 2.2.3 影响矿浆中的离子组成 | 第21-22页 |
| 2.3 锑粗选矿浆最优pH区间值分析 | 第22-25页 |
| 2.4 锑粗选矿浆pH值控制研究思路 | 第25-28页 |
| 2.4.1 锑粗选矿浆pH过程分析 | 第25-26页 |
| 2.4.2 锑粗选矿浆pH值控制决策依据 | 第26-27页 |
| 2.4.3 锑粗选矿浆pH值控制策略 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于仿射传播聚类的多模型矿浆pH值软测量 | 第29-46页 |
| 3.1 pH关联泡沫敏感特征的选取 | 第29-32页 |
| 3.2 基于仿射传播泡沫图像聚类算法 | 第32-39页 |
| 3.2.1 仿射传播聚类算法 | 第32-34页 |
| 3.2.2 改进自适应仿射传播算法 | 第34-37页 |
| 3.2.3 锑粗选图像特征自适应仿射传播聚类 | 第37-39页 |
| 3.3 多模型MK-LSSVM回归建模方法 | 第39-42页 |
| 3.3.1 多核最小二乘支持向量回归模型 | 第39-41页 |
| 3.3.2 基于偏差估计的模型输出校正 | 第41-42页 |
| 3.4 基于仿射传播聚类的多模型MK-LSSVM矿浆pH软测量 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 基于差分进化算法优化的OSVR的矿浆PH值预测控制 | 第46-63页 |
| 4.1 锑粗选矿浆pH值模型控制算法 | 第46-49页 |
| 4.1.1 锑粗选矿浆pH值模型预测控制原理 | 第46-48页 |
| 4.1.2 锑粗选矿浆pH值预测控制结构 | 第48-49页 |
| 4.2 在线支持向量回归预测模型 | 第49-54页 |
| 4.2.1 锑粗选pH控制过程支持向量回归模型 | 第49-50页 |
| 4.2.2 模型在线校正 | 第50-52页 |
| 4.2.3 仿真结果与分析 | 第52-54页 |
| 4.3 锑粗选矿浆pH值预测控制反馈校正 | 第54页 |
| 4.4 锑粗选矿浆pH值预测控制滚动优化 | 第54-57页 |
| 4.4.1 DE基本原理 | 第54-55页 |
| 4.4.2 优化参数的选取 | 第55-56页 |
| 4.4.3 DE优化流程 | 第56-57页 |
| 4.5 数据仿真及分析 | 第57-59页 |
| 4.5.1 控制器参数选择 | 第57-58页 |
| 4.5.2 仿真结果与分析 | 第58-59页 |
| 4.6 工业应用研究 | 第59-62页 |
| 4.7 本章小结 | 第62-63页 |
| 5 结论与展望 | 第63-65页 |
| 5.1 研究工作总结 | 第63页 |
| 5.2 后续工作展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间主要的研究成果目录 | 第70-71页 |
| 致谢 | 第71页 |