文献类型：期刊文章

作　　者：朱建勇[1,2] 黄鑫[1,2] 杨辉[1,2] 聂飞平[3]

ZHU Jian-yong;HUANG Xin;YANG Hui;NIE Fei-ping(College of Electrical and Automation,East China Jiaotong University,Nanchang 330013,China;Key Laboratory of Advanced Control and Optimization of Jiangxi Province,Nanchang 330013,China;Center for Optical Image Analysis and Learning,Northwestern Polytechnical University,Xi’an 710072,China)

机构地区：[1]华东交通大学电气与自动化工程学院,南昌330013 [2]江西省先进控制与优化重点实验室,南昌330013 [3]西北工业大学光学影像分析与学习中心,西安710072

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(61733005);国家自然科学基金地区项目(61563015,61963015,61863014);江西省自然科学基金项目(20171ACB21039,20192BAB207024);江西省教育厅科技项目(GJJ150552)。

年　　份：2021

卷　　号：36

期　　号：7

起止页码：1627-1636

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对泡沫特征复杂繁多不利于建模控制的问题,提出一种基于稀疏化神经网络的泡沫图像特征选择方法.相较于大部分稀疏模型以线性回归模型作为损失函数的情况,选择以更为贴近实际工业过程非线性特点的神经网络模型作为损失函数,并加入L2,1范数约束以起到特征选择的效果;此方法根据泡沫特征建立解决矿物品位回归问题的特征选择方法,并采用近点梯度法计算最优解,通过对第1层权值的综合排序得到特征选择子集;最后,利用支持向量机测试输入样本不同特征组合效果,对比各特征子集得到浮选过程最优特征组合.工业数据仿真结果表明,所提出方法可以有效地实现泡沫图像维数约简.

关 键 词：泡沫浮选 稀疏模型  神经网络 特征选择  维度约简  

分 类 号：TP183]