结合双模多尺度CNN特征及自适应深度KELM的浮选工况识别

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。

前景理论下的末端物流干扰管理方法研究

针对末端物流配送过程中可能出现的配送时间窗更改、送货地址变化等动态扰动问题,提出了基于前景理论的价值函数度量策略和基于量子理论的多目标优化求解方法.首先,对末端物流干扰管理问题进行了描述;然后,为度量用户对货物期待的心理感知度,建立了末端物流配送干扰管理模型,并设计了基于前景理论的价值函数曲线和扰动度量策略;在此基础上,为优化干扰管理模型和寻求用户满意度、配送成本以及配送效率等多目标优化问题的较优解,提出了一种融入量子理论的改进细菌觅食方法;最后,将所提出的方法与已经存在的经典算法进行比较,验证了该方法的可行性和有效性.

基于多尺度CNN特征及RAE-KELM的浮选加药状态识别

针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法。首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取每个尺度图像的深度特征并进行多尺度特征融合;然后,构建RAEKELM,将用量子计算改进的细菌觅食算法用于RAE-KELM的参数优化;最后,通过自建数据集训练得到最优的RAE-KELM模型,实现了浮选加药状态的自适应识别。实验结果表明,本方法的识别准确率可达到98.88%;且本方法减少了人工干预,有利于提高生产效率。