在长流程浮选过程中,生产指标难以在线检测,造成操作不及时,影响系统的稳定运行.本文提出了一种基于多源数据的铝土矿浮选过程生产指标集成建模方法.首先结合浮选机理和现场工人经验,分析影响和反映生产指标的多源数据(生产数据和泡沫图像特征数据);然后分别建立各生产指标预测子模型和同步误差补偿子模型;最后采用信息熵和智能协调策略分别构建精矿品位和尾矿品位的集成预测模型.工业验证和工况分析表明,本文集成建模方法具有良好的预测性能和较强的泛化性,为基于生产指标的浮选过程操作参数控制和全流程优化奠定基础.

采用激光诱导击穿光谱（LIBS）技术结合偏最小二乘判别分析（PLS-DA）对新疆、青海和俄罗斯的白色软玉进行产地研究。选取产自新疆（和田、于田、且末）、青海（格尔木）、俄罗斯（贝加尔湖）的146个白色软玉样品作为样品集，从样品集中随机抽取111个样品作为校正集，用于建立PLS-DA识别模型，剩余35个样品作为验证集，用于检验PLS-DA识别模型的预测效果。采用LIBS对三个产地的软玉样品进行成分分析，选择Na、K、Al、Li、Be、Mn、Sr、Zr、Ba、Y、Ce作为目标元素，并选取589.995，766.490，396.152，670.793，313.042，257.610，407.771，389.138，455.403，437.493，401.239 nm处的谱线作为目标元素的分析谱线，选取Si元素作为内标元素，以其在 288.158 nm处的谱线作为内标元素分析谱线，分别计算各目标元素与内标元素的谱线强度的比值Rx，由Rx组成自变量矩阵，用于模型的建立与预测。实验结果表明，采用LIBS结合PLS-DA建立的产地识别模型，其校正自变量和验证自变量与实际分类变量的相关系数都大于0.9

自己整理的关于偏最小二乘方面的资料，包括迭代偏最小二乘法NIPALS，高斯核变换，交叉有效性等

国外编的PLS工具箱，很全面，欢迎大家使用

matlab工具箱，包含偏最小二乘模型和线性判别模型，请使用者按照压缩文件里的说明对原作进行引用。

由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。

PLS-toolbox 偏最小二乘回归、主成分分析 注册码，只要改了机器时间，可以一直使用，这是9月份的，需要改为9月份注册。

偏最小二乘回归经典教程之一，好好理解每一个案例，仔细研究，相信一定收获很多！！强烈推荐

一个偏最小二乘法的应用实例，希望能对读者有帮助

详细的讲解非线性偏最小二乘法的运算过程，可以将其直接用来计算