文献类型：期刊文章

作　　者：廖一鹏[1] 张进[1] 王志刚[2] 王卫星[1]

LIAO Yi-peng;ZHANG Jin;WANG Zhi-gang;WANG Wei-xing(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China;Fujian Jindong Mining Co. Ltd., Sanming 365101,China)

机构地区：[1]福州大学物理与信息工程学院,福建福州350108 [2]福建金东矿业股份有限公司,福建三明365101

出　　处：《光学精密工程》

基　　金：国家自然科学基金资助项目(No.61471124,No.61601126);福建省自然科学基金资助项目(No.2019J01224);福建省中青年教师教育科研项目资助(No.JT180056)。

年　　份：2020

卷　　号：28

期　　号：8

起止页码：1785-1798

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解,设计双通道CNN网络对双模态多尺度图像进行特征提取及融合,将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策,最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%,自适应深度自编码KELM模型具有较好的分类精度和泛化性能,各工况识别的平均准确率达到95.98%,识别精度和稳定性较现有方法有较大提升。

关 键 词：浮选工况识别  双模态图像  卷积神经网络  深度双隐层自编码极限学习机  量子细菌觅食算法  

分 类 号：TP391]