An Explanatory Nonlinear Feature Fusion Method for Concentrate Ash Content Prediction in Coal Flotation

特征(语言学) 人工智能 计算机科学 模式识别(心理学) 直方图 卷积神经网络 特征提取 特征选择 切片 煤 非线性系统 像素 深度学习 泡沫浮选 图像融合 绘图(图形) 融合 启发式 数据挖掘 工艺工程 图像(数学) 定向梯度直方图 图像处理
作者
Zhiping Wen,Sijie Yang,Xiuqi Chen,Maiqiang Zhou,Changchun Zhou
出处
期刊:IEEE Sensors Journal [IEEE Sensors Council]
卷期号:26 (9): 12863-12872 被引量:1
标识
DOI:10.1109/jsen.2026.3672611
摘要

Real-time monitoring of concentrate ash content is essential for effective control of coal flotation circuits. Current research predominantly focuses on optimizing convolutional neural network architectures to improve accuracy, yet neglects traditional ash-related features and interpretability, leading to excessive model complexity with marginal accuracy gains. This paper proposes a novel explanatory nonlinear feature fusion method for froth image analysis in coal flotation. The methodology integrates optimized convolutional feature slicing with traditional feature engineering, employing four machine learning techniques to predict concentrate ash content while elucidating feature contribution mechanisms through Shapley Additive exPlanations. In the feature fusion experiment, initial fusion features comprising 98 traditional features and 256 convolutional features demonstrated suboptimal performance in direct modeling. After feature selection, the XGBoost model achieved superior performance supported by 82 optimized features. These features exhibited descending importance from morphoscopic features to convolutional components, with the area feature showing the highest mean (|SHAP values|) (0.290631) and CNN59 the lowest mean (|SHAP values|) (0.004135). The optimized XGBoost model attained MAE=0.6139, RMSE=1.1547, and R²=0.7948. Force plot analysis revealed that morphoscopic and grayscale histogram features from traditional engineering were indispensable, while convolutional features exerted critical influences and statistical features contributed minimally. This investigation establishes a methodological framework for feature selection and modeling in coal flotation froth image analysis, providing theoretical and practical foundations for industrial applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
yuan发布了新的文献求助10
2秒前
风逢发布了新的文献求助30
2秒前
Cuzz发布了新的文献求助50
2秒前
2秒前
3秒前
molihuakai的应助被玉米侠采纳,获得10
3秒前
充电宝的应助被前方采纳,获得10
3秒前
111完成签到,获得积分10
3秒前
4秒前
沉默的如天完成签到,获得积分10
4秒前
4秒前
5秒前
5秒前
6秒前
AN发布了新的文献求助80
7秒前
Grace发布了新的文献求助10
7秒前
7秒前
叆叇完成签到,获得积分10
8秒前
上官若男的应助被三分之二采纳,获得10
8秒前
华仔的应助被WilliamTT采纳,获得10
8秒前
Yy完成签到,获得积分10
9秒前
思源的应助被阿东采纳,获得10
9秒前
青年才俊发布了新的文献求助10
10秒前
SciGPT的应助被000000采纳,获得10
11秒前
11秒前
lky1017完成签到,获得积分10
11秒前
fff关注了科研通微信公众号
11秒前
11秒前
顾矜的应助被Grace采纳,获得10
12秒前
领导范儿的应助被00hello00采纳,获得10
13秒前
13秒前
风逢完成签到,获得积分10
13秒前
13秒前
1111发布了新的文献求助20
13秒前
Rain完成签到,获得积分10
13秒前
14秒前
15秒前
隐形曼青的应助被糊涂的向秋采纳,获得10
15秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
高分子基功能界面水蒸发材料与应用研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8177767
求助须知:如何正确求助?哪些是违规求助? 9568590
关于积分的说明 21799821
捐赠科研通 7772374
什么是DOI,文献DOI怎么找? 3432476
关于科研通互助平台的介绍 2556695
邀请新用户注册赠送积分活动 2478034