Badania nad algorytmem stopniowego, częściowo nadzorowanego przewidywania wielkości cząstek rudy

rudy, uczenie przyrostowe, półnadzorowane, badanie wielkości cząstek, uczenie maszynowe

W celu poprawy dokładności przewidywania wielkości cząstek rudy w procesie wzbogacania, w zależności od liczby oznaczonych próbek i faktu, że tradycyjny model przewidywania nie ma zdolności ciągłego uczenia się, proponuje się algorytm przyrostowego półnadzorowanego przewi- dywania wielkości rudy. Biorąc za przedmiot badań rzeczywiste dane dotyczące wielkości cząstek rudy, wykorzystujemy uczenie półnadzorowane i uczenie zintegrowane w celu uzyskania wysokiej jakości próbek z etykietami pseudonimowymi, rozszerzamy ograniczoną liczbę próbek oznaczonych etykietami jako dane przyrostowe do szkolenia przyrostowego oraz dynamicznie aktualizujemy parametry modelu prognozowania, aby utrzymać dobrą zdolność prognozowania. Algorytm przyrostowego półnadzorowanego przewidywania wielkości cząstek rudy jest weryfikowany przy użyciu zbioru danych dotyczących wielkości cząstek rudy uzyskanych metodą przesiewania. Wyniki pokazują, że współczynnik determinacji modelu algorytmu przyrostowego półnadzorowanego przewidywania wielkości cząstek rudy osiąga 0,9934. Średni błąd kwadratowy i średni błąd bez- względny wynoszą odpowiednio 0,00354 i 0,00086. Wskaźniki oceny po szkoleniu na pięciu różnych zestawach danych są wyższe niż w przypadku tradycyjnego modelu prognozowania, a w porównaniu z tradycyjnym modelem prognozowania znacznie poprawiono dokładność prognozowania i zdolność uogólniania. W obliczu zmian w rozkładzie próbek model ten wykazuje zdolność do dynamicznego uczenia się nowej wiedzy, co stanowi dobre rozwiązanie dla inteligentnego zarządzania w dziedzinie produkcji przemysłu wydobywczego, poprawiając dokładność wykrywania wielkości cząstek rudy i zapewniając silne wsparcie techniczne.