基于多核方法的分類研究及其在銅浮選工況識別中的應(yīng)用.pdf

1、分類器設(shè)計為模式識別領(lǐng)域的主要研究方向之一，更有效的分類器一直是所追求的。核方法的引入使得分類器有效性得到很大改善。然而，單個核函數(shù)無法有效描述復(fù)雜的數(shù)據(jù)分布和模式特征，多核方法通過多個核函數(shù)的組合為解決上述問題提供了新思路。在銅浮選過程中，現(xiàn)場工作環(huán)境復(fù)雜，變量間的非線性關(guān)系復(fù)雜，目前用在浮選過程中的模式識別方法沒有著重考慮特征選擇和數(shù)據(jù)異構(gòu)情況，適用性有限，影響工況識別的準(zhǔn)確率。
　　論文主要研究工作及創(chuàng)新性成果如下:

2、　　(1)針對傳統(tǒng)F-score特征選擇方法未考慮非線性可分特征的問題，提出一種多核F-score(MKF-score)特征選擇方法，對樣本間距離重新定義，得到非線性可分特征的有效評估準(zhǔn)則。在UCI數(shù)據(jù)集上仿真結(jié)果表明，所提方法挑選出的最優(yōu)特征子集能夠達到較好的分類效果。
　　(2)針對目標(biāo)類數(shù)據(jù)分布呈現(xiàn)異構(gòu)、非目標(biāo)類數(shù)據(jù)不足的問題，研究基于多核支持向量數(shù)據(jù)描述(MKSVDD)的分類方法，在Banana數(shù)據(jù)集上的仿真結(jié)果表明，所提

3、方法更加適用于數(shù)據(jù)分布異構(gòu)問題。
　　(3)針對單核高斯過程回歸(SKGPR)處理異構(gòu)數(shù)據(jù)誤差較大問題，研究基于多核高斯過程回歸(MKGPR)的專家分類方法。運用不同分布數(shù)據(jù)進行仿真實驗，結(jié)果表明多核高斯過程回歸在處理異構(gòu)數(shù)據(jù)時性能優(yōu)良。
　　(4)針對銅浮選過程存在大量非線性異構(gòu)數(shù)據(jù)的問題，提出基于多核方法的銅浮選過程工況識別方法，將多核F-score、多核支持向量數(shù)據(jù)描述和多核高斯過程回歸專家分類方法運用于銅浮選工況識別