融合全监督学习的半监督矿石粒度预测算法

摘要

针对选矿过程矿石粒度分析精度的提高依赖于有标签样本数量，以及传统全监督建模方法泛化性能较差的问题，提出了融合全监督学习的半监督矿石粒度预测算法。以运矿皮带上应用图像获取的矿石粒度数据作为研究对象，利用半监督学习获得无标签的图像识别矿石粒度样本伪标签，扩展数量有限的原始标签样本，以提高矿石粒度预测模型的性能。采用筛分法获取的矿石粒度数据集来验证融合全监督学习的半监督预测算法，结果表明，融合全监督学习的半监督预测算法的模型决定系数达到92.1%，均方根误差和平均绝对误差分别为0.023和0.02，相较于传统全监督建模方法，该模型的预测精度显著提高，为提高矿石粒度检测精度提供了有力的技术支撑。

关键词

半监督学习 / 粒度检测 / 伪标签 / 粒度分布 / 机器学习 / 矿石

基金资助

国家自然科学基金项目“多点对称超声载荷作用下包裹性矿物界面损伤演化及解离机理研究”（编号：52364025）资助