铝土矿浮选过程粗选矿浆pH值软测量模型及应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·课题背景与研究意义 | 第8-9页 |
| ·泡沫浮选数字图像处理技术研究现状 | 第9-11页 |
| ·PH值的在线检测及控制研究现状 | 第11-12页 |
| ·软测量技术及其研究现状 | 第12-14页 |
| ·论文研究内容与结构安排 | 第14-15页 |
| 第二章 粗选工艺分析 | 第15-24页 |
| ·粗选工艺概述 | 第15-16页 |
| ·矿浆PH值对浮选效果的影响 | 第16-17页 |
| ·矿浆PH值对碳酸钠加药量的反映 | 第17-21页 |
| ·泡沫图像和矿浆PH值的关系 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 粗选槽泡沫图像主要特征选取 | 第24-41页 |
| ·粗选槽泡沫图像特征提取 | 第24-29页 |
| ·泡沫图像静态特征提取 | 第24-29页 |
| ·泡沫图像动态特征提取 | 第29页 |
| ·样本获取及预处理 | 第29-33页 |
| ·样本获取 | 第30-31页 |
| ·样本选择 | 第31页 |
| ·样本标准化 | 第31-32页 |
| ·样本去噪 | 第32-33页 |
| ·样本主要特征选取 | 第33-40页 |
| ·基于现场经验的主要特征选取 | 第33-34页 |
| ·基于相关分析的主要特征选取 | 第34-36页 |
| ·基于主元分析的主要特征选取 | 第36-38页 |
| ·基于核主元分析的主要特征选取 | 第38-39页 |
| ·样本特征选取方法比较 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于混合神经网络的PH值软测量模型 | 第41-60页 |
| ·基于BP和RBF的混合神经网络模型 | 第41-49页 |
| ·BP神经网络模型 | 第41-46页 |
| ·RBF神经网络模型 | 第46-48页 |
| ·基于BP和RBF的混合神经网络模型 | 第48-49页 |
| ·基于自适应遗传算法的PH值软测量模型参数优化 | 第49-54页 |
| ·遗传算法基本原理 | 第49-52页 |
| ·自适应遗传算法 | 第52-53页 |
| ·基于自适应遗传算法的软测量模型参数优化 | 第53-54页 |
| ·PH值软测量模型的工业应用 | 第54-59页 |
| ·软测量模型的建立 | 第54-56页 |
| ·软测量模型的在线修正及应用 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间主要研究成果 | 第69页 |
