基于预测补偿网络的锌扫选尾矿品位预测

针对泡沫浮选关键性能指标预测准确率低的问题,提出一种基于预测补偿(PC)网络的品位预测方法。该预测补偿网络分为两部分:第一部分,构建基于GRU的锌浮选尾矿品位预测模型,充分利用泡沫图像的时序信息,得到初始品位预测值;第二部分,为解决未知样本的输入输出难以精确匹配的问题,建立由残差诱因导出模块和改进Choquet模糊积分(ICFI)聚合模块组成的动态残差补偿(DRC)模型,对初始品位进行补偿以获取更精确的结果。研究结果表明:相较于传统的神经网络,所提出的预测补偿网络有更强的拟合能力和稳定性,提高了预测精确性和可靠性。