[发明专利]一种基于密度聚类和胶囊神经网络的浮选工况识别方法

权利要求书

1.一种基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，具体包括：

获取浮选工况的视频数据，将所述视频数据进行预处理获得图像样本集；

将所述图像样本集采用预设的密度聚类方法进行去噪优化获得多个工况类别的训练样本和测试样本；

构建胶囊神经网络，输入所述训练样本并采用动态路由算法和梯度下降算法进行训练优化获得浮选工况识别模型；

将待测工况图像样本输入所述浮选工况识别模型进行工况识别获得待测工况图像样本的工况类别。

2.根据权利要求1所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述将所述视频数据进行预处理获得图像样本集步骤具体包括：

将所述视频数据的所有帧随机打乱，并随机选取多个视频帧组成图像样本集，获得多个图像样本集。

3.根据权利要求1所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述将所述图像样本集采用预设的密度聚类方法进行去噪优化获得多个工况类别的训练样本和测试样本步骤具体包括：

获取图像样本集、邻域距离阈值和邻域样本数量阈值；

计算所述图像样本集中第一样本与其他样本之间的欧氏距离，并获得第一样本邻域数，当所述第一样本邻域数大于等于邻域样本数量阈值，则将所述第一样本置于核心对象集合中；并处理所述图像样本集中的其他图像样本，获得核心对象集合；

随机选取核心对象集合中的一个核心对象为第一核心对象，并计算第一核心对象邻域数，当所述第一核心对象邻域数大于等于邻域样本数量阈值，取第一核心对象邻域样本和核心样本对象的交集获取交集样本，将第一核心对象和交集样本组成队列；根据所述队列更新未访问核心样本集合，根据当前未访问过的核心样本集合和所述未访问核心样本集合生成聚类簇；

根据所述聚类簇获得样本集中的无噪声样本和噪声样本，即为多个工况类别的训练样本和测试样本。

4.根据权利要求3所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述图像间欧氏距离的计算公式为：

式中，(x_i1，x_i2)表示两个对象，N是像素总数。

5.根据权利要求1所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述胶囊神经网络包括编码器和解码器；所述编码器包括输入层、卷积层、主胶囊层和数字胶囊层。

6.根据权利要求5所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述卷积层包括CONV1 ReLU层，CONV2 ReLU层，CONV3 ReLU层，在卷积过程采用ReLU激活函数进行激活。

7.根据权利要求5所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述解码器将所述数字胶囊层处理后的图片采用三个全连接层进行重构，并以重构图片和原始图片的像素平方差的和作为重构损失函数。

8.根据权利要求5所述的基于密度聚类和胶囊神经网络的浮选工况识别方法，其特征在于，所述动态路由算法具体包括：

初始化所有l层的胶囊i至所有(l+1)层的胶囊j的先验概率b_ij＝0；并采用softmax函数计算胶囊i连接至胶囊j的连接概率c_ij；

根据公式计算(l+1)层的胶囊j的总输入，其中W_ij表示转化矩阵；n_i表示输人向量；并根据公式获得胶囊输出；

根据对先验概率b_ij进行更新，经多次迭代后输出v_j。