生物氧化提金技術(shù)主要應(yīng)用在含砷、含硫等難處理金礦石處理中,是“綠色冶金”的一個(gè)重要發(fā)展方向,具有生產(chǎn)成本低,有害物質(zhì)排放少的優(yōu)點(diǎn)。在氧化預(yù)處理過程中,氧化還原電位(ORP)是氧化槽中細(xì)菌活性和氧化反應(yīng)程度的體現(xiàn),ORP高意味著細(xì)菌的活性高,礦石氧化程度充分,最終的提金率也比較高,因此,ORP作為生產(chǎn)現(xiàn)場操作的重要依據(jù)。由于細(xì)菌氧化預(yù)處理過程具有非線性、滯后性等特征,ORP的變化趨勢無法判斷,不能有效指導(dǎo)工業(yè)生產(chǎn)�；谏鲜鰡栴},本文以新疆某金礦的生物氧化預(yù)處理過程為研究背景,提出了采用軟測量的方法對ORP進(jìn)行測量,從而為工藝現(xiàn)場操作控制提供指導(dǎo)。本文的研究內(nèi)容主要包括:1)對生物氧化預(yù)處理和ORP的研究現(xiàn)狀進(jìn)行了綜述,對軟測量的機(jī)理進(jìn)行了闡述,提出了采用最小二乘支持向量機(jī)(LSSVM)的方法實(shí)現(xiàn)氧化預(yù)處理過程中的ORP值的軟測量。2)介紹了支持向量機(jī)分類、支持向量機(jī)回歸和最小二乘支持向量機(jī)的理論,將新的智能算法——人工蜂群算法(ABC)引入到LSSVM模型的參數(shù)優(yōu)化當(dāng)中。3)針對人工蜂群算法,通過引入歐氏距離,使得蜂群中的雇傭蜂和觀察蜂采取了不同的搜索策略,并對改進(jìn)的算法和標(biāo)準(zhǔn)的算法做了性能測試,結(jié)果表明改進(jìn)的算法收斂速度快。建立了基于改進(jìn)的ABC-LSSVM的模型,采用非線性函數(shù)和UCI數(shù)據(jù)集進(jìn)行了測試驗(yàn)證,預(yù)測效果較好。4)研究了細(xì)菌氧化礦石的機(jī)理、工藝流程及生物氧化預(yù)處理過程的影響因素,確立了細(xì)菌氧化預(yù)處理過程中ORP的軟測量模型,利用現(xiàn)場數(shù)據(jù),采用改進(jìn)的ABC-LSSVM方法建立軟測量模型并進(jìn)行仿真,效果良好,并利用MATLAB GUI完成了一個(gè)生物氧化預(yù)處理過程的ORP軟測量仿真平臺。
【學(xué)位單位】：新疆大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2015
【中圖分類】：TF831;TP18
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景與意義
    1.2 生物氧化提金預(yù)處理工藝的研究現(xiàn)狀
    1.3 ORP研究現(xiàn)狀
    1.4 軟測量技術(shù)研究現(xiàn)狀
    1.5 論文的研究內(nèi)容及章節(jié)安排
第二章 軟測量建模技術(shù)
    2.1 軟測量技術(shù)基本原理
        2.1.1 輔助變量的選擇
        2.1.2 數(shù)據(jù)預(yù)處理
        2.1.3 軟測量模型的建立
        2.1.4 軟測量模型的校正
    2.2 軟測量建模方法
        2.2.1 機(jī)理建模方法
        2.2.2 基于數(shù)據(jù)驅(qū)動(dòng)的建模方法
        2.2.3 混合建模方法
    2.3 本章小結(jié)
第三章 支持向量機(jī)及參數(shù)優(yōu)化選擇
    3.1 支持向量分類機(jī)
    3.2 支持向量回歸機(jī)
    3.3 最小二乘支持向量機(jī)
    3.4 基于ABC算法的模型參數(shù)選擇
        3.4.1 標(biāo)準(zhǔn)人工蜂群算法
        3.4.2 改進(jìn)的人工蜂群算法
        3.4.3 改進(jìn)的ABC算法描述
        3.4.4 改進(jìn)ABC算法仿真與性能測試
        3.4.5 適應(yīng)度函數(shù)的選取
        3.4.6 改進(jìn)的ABC-LSSVM預(yù)測流程圖
        3.4.7 非線性函數(shù)仿真驗(yàn)證
    3.5 UCI數(shù)據(jù)性能驗(yàn)證
    3.6 本章小結(jié)
第四章 基于數(shù)據(jù)驅(qū)動(dòng)的氧化還原電位軟測量
    4.1 生物氧化提金工藝介紹及影響因素分析
        4.1.1 難處理金礦石預(yù)處理方法
        4.1.2 生物氧化機(jī)理
        4.1.3 生物氧化預(yù)處理——氰化提金工藝
        4.1.4 生物氧化預(yù)處理過程影響因素
    4.2 生物氧化預(yù)處理過程ORP軟測量建模
        4.2.1 輔助變量的選擇
        4.2.2 輔助變量預(yù)處理
        4.2.3 數(shù)據(jù)歸一化
        4.2.4 生物氧化預(yù)處理過程ORP軟測量建模
    4.3 基于人工蜂群算法優(yōu)化LSSVM的ORP軟測量模型
    4.4 基于PSO優(yōu)化LSSVM的ORP軟測量模型
    4.5 基于MatlabGUI的ORP軟測量仿真平臺
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
在讀期間發(fā)表的論文
致謝

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林劍;趙龍;徐劍;余節(jié)約;;基于人工蜂群優(yōu)化的印刷色彩分色[J];包裝工程;2011年05期

2 羅鈞;劉永鋒;付麗;;能耗限制的實(shí)時(shí)周期任務(wù)可靠性感知調(diào)度[J];重慶大學(xué)學(xué)報(bào);2011年08期

3 張姣玲;;人工蜂群算法在多元線性回歸中的應(yīng)用[J];廣東技術(shù)師范學(xué)院學(xué)報(bào);2011年09期

4 于明;艾月喬;;基于人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化及應(yīng)用[J];光電子.激光;2012年02期

5 羅彬;邵培基;羅盡堯;劉獨(dú)玉;夏國恩;;基于粗糙集理論-神經(jīng)網(wǎng)絡(luò)-蜂群算法集成的客戶流失研究[J];管理學(xué)報(bào);2011年02期

6 趙小強(qiáng);張守明;;基于人工蜂群的模糊聚類算法[J];蘭州理工大學(xué)學(xué)報(bào);2010年05期

7 陳永強(qiáng);王宏霞;;一種強(qiáng)魯棒性的盲分離混合矩陣估計(jì)方法[J];電子與信息學(xué)報(bào);2012年09期

8 楊琳;孔峰;賀師超;;基于自適應(yīng)選擇策略的人工蜂群算法[J];廣西工學(xué)院學(xué)報(bào);2012年03期

9 王琦;;基于人工蜂群算法的水位流量關(guān)系最優(yōu)定線研究[J];廣西水利水電;2012年05期

10 劉婷;張立毅;鄒康;鮑韋韋;;基于差分演化二進(jìn)制人工蜂群算法的多用戶檢測[J];電路與系統(tǒng)學(xué)報(bào);2013年01期

相關(guān)博士學(xué)位論文 前10條

1 吳德烽;計(jì)算智能在三維表面掃描機(jī)器人系統(tǒng)中的應(yīng)用研究[D];大連海事大學(xué);2010年

2 羅彬;基于MMOI方法的電信客戶流失預(yù)測與挽留研究[D];電子科技大學(xué);2010年

3 董旭初;Bayesian網(wǎng)的最優(yōu)樹分解研究[D];吉林大學(xué);2011年

4 馮業(yè)偉;基于支持向量機(jī)和移動(dòng)Agent技術(shù)的銀行風(fēng)險(xiǎn)早期預(yù)警系統(tǒng)研究[D];中國海洋大學(xué);2011年

5 劉路;基于改進(jìn)支持向量機(jī)和紋理圖像分析的旋轉(zhuǎn)機(jī)械故障診斷[D];天津大學(xué);2011年

6 王亞軍;減少OFDM系統(tǒng)的峰均功率比的研究[D];上海交通大學(xué);2011年

7 汪洋;基于視覺測量的鐵路列車鉤舌檢測流水線關(guān)鍵技術(shù)研究[D];大連海事大學(xué);2011年

8 肖永豪;蜂群算法及在圖像處理中的應(yīng)用研究[D];華南理工大學(xué);2011年

9 張曉偉;全局優(yōu)化的若干隨機(jī)性算法[D];西安電子科技大學(xué);2008年

10 康飛;大壩安全監(jiān)測與損傷識別的新型計(jì)算智能方法[D];大連理工大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 姜飛;混合智能優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2011年

2 魏麗;群體動(dòng)畫中運(yùn)動(dòng)生成模塊的模型研究[D];山東師范大學(xué);2011年

3 張守明;基于人工蜂群的模糊聚類數(shù)據(jù)挖掘算法研究[D];蘭州理工大學(xué);2011年

4 梁建慧;新型智能優(yōu)化算法及其在圖像分割中的應(yīng)用研究[D];陜西師范大學(xué);2011年

5 黃旭;群智能優(yōu)化算法及其在PPI網(wǎng)絡(luò)中的應(yīng)用研究[D];陜西師范大學(xué);2011年

6 李廣宇;基于粒子蜂群算法優(yōu)化的多支持向量機(jī)軟測量建模方法研究[D];中南大學(xué);2011年

7 譚世恒;一種新型的群智能優(yōu)化算法—細(xì)胞膜優(yōu)化算法及其應(yīng)用[D];華南理工大學(xué);2011年

8 呂瓊帥;BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化與研究[D];鄭州大學(xué);2011年

9 李婷婷;煙花爆炸算法改進(jìn)及其性能測試研究[D];華中科技大學(xué);2010年

10 湯天驕;基于DSTAR和神經(jīng)網(wǎng)絡(luò)的未知環(huán)境移動(dòng)機(jī)器人路徑規(guī)劃方法[D];哈爾濱工業(yè)大學(xué);2010年

本文編號：2864723