《表4 不同方法的识别效果》

  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

《基于双模态卷积神经网络自适应迁移学习的浮选工况识别》

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

为进一步验证本文方法的优势，采用相同的数据集对现有文献方法进行试验，统计各方法的平均识别精度和标准差，实验结果如表4所示.文献[6]将预训练的Alex Net用于泡沫图像的特征提取，采用随机森林算法代替softmax对泡沫图像分类，准确度较传统方法有一定提高，但标准差较大，稳定性差；文献[7]对气泡分割图像进行CNN特征和形态特征提取，通过统计各类气泡出现的概率分布进行工况识别，各工况的识别精度较为稳定，但整体识别精度有待提高；文献[8]构建只含两个卷积层的简易CNN网络提取泡沫图像特征，通过训练的SVM进行浮选生产故障判别，具有较高的故障识别率，但是工况识别比故障检测复杂，小样本数据集下无法取得较高的工况识别精度；文献[9]对预训练的Alex Net网络模型进行迁移，对全连接层参数和随机森林重新学习训练，大大提高了识别精度，也缩小了标准差；本文方法将预训练的双模态Alex Net特征提取网络进行迁移，对迁移后的串联双隐层自编码极限学习机和KELM重新训练学习，并采用改进的量子狼群算法对模型参数进一步优化，融合泡沫可见光、红外图像的CNN特征进行工况识别，小样本数据集下各工况的识别精度都有较大的提高，平均识别率达96.83%，识别精度和稳定性较现有方法有较大提升.