《表1 矿浆浮选速率原始数据》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《模糊神经网络在矿浆浮选速率预测中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于T-S模糊神经网络的矿浆浮选速率预测算法流程，如图2所示。所构建的模糊神经网络结构可根据训练样本集的数据来确定[9-10]，初步选定矿浆浓度、精矿质量和药剂用量作为输入向量，而回收率作为输出向量。由于隶属度函数的个数较难确定，依据传统神经网络的中间层节点个数的确定方法（试算法），并结合样本数据，最终选定其节点数为7，则网络结构为3-7-1。同时，确定随机初始化模糊隶属度函数中心c，宽度b和系数p0～p6。矿浆搅拌设备内部结构仿真与实物外观如图3所示。各浮选指标的检测可采用相应的传感器来采集，如矿浆浓度采用浸入式超声波浓度计，药剂用量采用差压式流量计等。从前期的实验数据分析中发现，矿浆浮选速率及其相关影响因素的数据较难采集，且不易检测到实时性、连续性的样本数据。为了避免该问题所造成的后续影响，采用了等隔均匀分布的方法来解决。通过内插标准数据生成训练样本，如表1所示。