權(quán)利要求書： 1.一種基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，包括：S1：在濕式球磨機筒體表面設(shè)置多個振動傳感器，采集不同工況下的球磨機振動信號；

S2：對S1中所獲得的振動信號進(jìn)行時頻轉(zhuǎn)換，得到多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)；

S3：將從S2中得到的多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)輸入公共特征提取模塊中，提取富含動態(tài)信息的公共特征；

S4：將從S2中得到的多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)輸入特殊特征提取模塊中，提取各個源域的特殊特征；

S5：將從S3和S4中獲得的特征輸入回歸模塊中，得到源域的礦漿濃度預(yù)測值；

S6：采用源域的標(biāo)簽值和從S1、S2、S3和S4中獲得的數(shù)據(jù)構(gòu)建損失函數(shù)，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)；

S7：將目標(biāo)域數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，輸出多個礦漿濃度的預(yù)測值，求預(yù)測值的均值得到最終的預(yù)測值。

2.根據(jù)權(quán)利要求1所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述步驟S2中，多個源域數(shù)據(jù)是指從不同工況中采集的帶球磨機礦漿濃度真值的球磨機數(shù)據(jù)，共有N個，N的取值根據(jù)實際工業(yè)過程中所獲得的球磨機工況數(shù)據(jù)的個數(shù)確定；

目標(biāo)域數(shù)據(jù)是指實際過程中需要預(yù)測的球磨機數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述S3中，公共特征提取模塊為長短期記憶網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求2所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述S4中，特殊特征提取模塊包括信息提取模塊和特征提取模塊，多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)先輸入信息提取模塊，再將信息提取模塊提取后的特征輸入特征提取模塊。

5.根據(jù)權(quán)利要求3所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述信息提取模塊為長短期記憶網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求3所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述特征提取模塊包括N個結(jié)構(gòu)相同但參數(shù)不同的子網(wǎng)絡(luò)，將信息提取模塊輸出的N個源域和目標(biāo)域的特征分別輸入不同的子網(wǎng)絡(luò)中，所述子網(wǎng)絡(luò)包括一維卷積層，池化窗口大小為2的最大池化和批標(biāo)準(zhǔn)化。

7.根據(jù)權(quán)利要求1所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述S5包括，S5.1：在特征融合部分，給從S3和S4中得到的公共特征和特殊特征賦予權(quán)重，得到融合特征；

S5.2：將從S5.1中得到的融合特征 輸入回歸器的四層全連接層中，得到不同源域的預(yù)測值。

8.根據(jù)權(quán)利要求1所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述S6包括：S6.1：構(gòu)建源域均方誤差損失，損失計算如下：

式中， 為源域均方誤差損失， 和 分別為第i個源域中第j個樣本的預(yù)測值和真值，N表示源域個數(shù)， 表示源域中的樣本個數(shù)，S表示數(shù)據(jù)為源域中的數(shù)據(jù)；

S6.2：采用最大均值差異度量從S3中得到的公共特征間的差異，MMD損失計算如下：式中， 為公共特征的MMD損失，H表示再生核希爾伯特空間， 和 分別表示從步驟S3的公共特征提取模塊提取的多個源域公共特征和目標(biāo)域公共特征；

S6.3：采用最大均值差異度量從S4中得到的特殊特征間的差異，MMD損失計算如下：式中， 為特殊特征的MMD損失， 和 表示從S4的特殊特征提取模塊提取的多個源域特殊特征和多個目標(biāo)域特殊特征；

S6.4：根據(jù)S6.1、S6.2和S6.3中的損失得到網(wǎng)絡(luò)總體損失，計算如下：式中，L為總體損失， 和 為損失之間的平衡因子。

9.根據(jù)權(quán)利要求1所述的基于參考信息的球磨機礦漿濃度預(yù)測方法，其特征在于，所述S7包括：將待預(yù)測的目標(biāo)域數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中，由于特殊特征提取模塊有N個子網(wǎng)絡(luò)，所以得到N個目標(biāo)域的預(yù)測值 ，將這些預(yù)測值加和求均值后得到最終的預(yù)測值，計算如下：式中， 為目標(biāo)域最終的預(yù)測值。

說明書： 一種基于參考信息的球磨機礦漿濃度預(yù)測方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及球磨機負(fù)荷預(yù)測領(lǐng)域，尤其是涉及一種基于參考信息的球磨機礦漿濃度預(yù)測方法。背景技術(shù)[0002] 磨礦過程是選礦行業(yè)的重要環(huán)節(jié)，通過研磨破碎后的原礦得到粒度合適的礦漿，具有大慣性、非線性、邊界條件波動大等綜合復(fù)雜特性。濕式球磨機主要依靠自身旋轉(zhuǎn)帶動鋼球沖擊并磨剝物料，在磨礦過程中被廣泛應(yīng)用。礦漿濃度作為磨礦過程中的關(guān)鍵參數(shù)之一，直接關(guān)系到磨礦系統(tǒng)生產(chǎn)的礦粉的質(zhì)量和產(chǎn)量。準(zhǔn)確檢測球磨機礦漿濃度是提高磨礦效率、提升工廠經(jīng)濟(jì)效益的關(guān)鍵之一。[0003] 由于球磨機是封閉的，且其具有連續(xù)旋轉(zhuǎn)的特性，直接測量球磨機的礦漿濃度非常困難。然而球磨機強烈的機械振動和聲音信號包含豐富的磨機負(fù)荷信息，可以借助軟測量這一手段建立有關(guān)球磨機礦漿濃度的模型。傳統(tǒng)的軟測量方法要求數(shù)據(jù)滿足獨立同分布的假設(shè)，但是在實際的工業(yè)過程中，鋼球磨損、原料硬度變化等都會引起振動信號的變化，從而導(dǎo)致采集的數(shù)據(jù)分布不一致，進(jìn)而導(dǎo)致原有模型預(yù)測精度不高。[0004] 域適應(yīng)相較于傳統(tǒng)的建模方法，放寬了建模數(shù)據(jù)與待預(yù)測數(shù)據(jù)服從獨立同分布的假設(shè)。常用的球磨機礦漿濃度域適應(yīng)方法主要采用單個工況的數(shù)據(jù)作為源域進(jìn)行建模。通常，在實際工業(yè)過程中，只有在檢修球磨機等情況下，可以采集到真實的礦漿濃度數(shù)據(jù)。但是每次采集的球磨機數(shù)據(jù)只包含一個工況的信息，當(dāng)球磨機狀態(tài)發(fā)生改變即球磨機工況發(fā)生變化后，會出現(xiàn)模型與數(shù)據(jù)失配的問題，進(jìn)而降低當(dāng)前模型對球磨機礦漿濃度的預(yù)測精度，造成原料的浪費并減少工廠收益。針對以上問題，本發(fā)明提出一種基于參考信息的球磨機礦漿濃度預(yù)測方法，將多次采集的數(shù)據(jù)即多工況數(shù)據(jù)作為參考信息，建立球磨機礦漿濃度的預(yù)測模型，為提高礦漿濃度的預(yù)測精度、提升工廠的經(jīng)濟(jì)收益提供可靠保障。發(fā)明內(nèi)容[0005] 本發(fā)明為了解決上述問題，提供一種基于參考信息的球磨機礦漿濃度預(yù)測方法。[0006] 本發(fā)明采取以下技術(shù)方案：一種基于參考信息的球磨機礦漿濃度預(yù)測方法，包括：S1：在濕式球磨機筒體表面設(shè)置多個振動傳感器，采集不同工況下的球磨機振動信號；

S2：對S1中所獲得的振動信號進(jìn)行時頻轉(zhuǎn)換，得到多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)；

S3：將從S2中得到的多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)輸入公共特征提取模塊中，提取富含動態(tài)信息的公共特征；

S4：將從S2中得到的多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)輸入特殊特征提取模塊中，提取各個源域的特殊特征；

S5：將從S3和S4中獲得的特征輸入回歸模塊中，得到源域的礦漿濃度預(yù)測值；

S6：采用源域的標(biāo)簽值和從S1、S2、S3和S4中獲得的數(shù)據(jù)構(gòu)建損失函數(shù)，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)；

S7：將目標(biāo)域數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，輸出多個礦漿濃度的預(yù)測值，求預(yù)測值的均值得到最終的預(yù)測值。

[0007] 在一些實施例中，步驟S2中，多個源域數(shù)據(jù)是指從不同工況中采集的帶球磨機礦漿濃度真值的球磨機數(shù)據(jù)，共有N個，N的取值根據(jù)實際工業(yè)過程中所獲得的球磨機工況數(shù)據(jù)的個數(shù)確定；目標(biāo)域數(shù)據(jù)是指實際過程中需要預(yù)測的球磨機數(shù)據(jù)。[0008] 在一些實施例中，S3中，公共特征提取模塊為長短期記憶網(wǎng)絡(luò)。[0009] 在一些實施例中，S4中，特殊特征提取模塊包括信息提取模塊和特征提取模塊，多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)先輸入信息提取模塊，再將信息提取模塊提取后的特征輸入特征提取模塊。[0010] 在一些實施例中，信息提取模塊為長短期記憶網(wǎng)絡(luò)。[0011] 在一些實施例中，特征提取模塊包括N個結(jié)構(gòu)相同但參數(shù)不同的子網(wǎng)絡(luò)，將信息提取模塊輸出的N個源域和目標(biāo)域的特征分別輸入不同的子網(wǎng)絡(luò)中，所述子網(wǎng)絡(luò)包括一維卷積層，池化窗口大小為2的最大池化和批標(biāo)準(zhǔn)化。[0012] 在一些實施例中，S5包括，S5.1：在特征融合部分，給從S3和S4中得到的公共特征和特殊特征賦予權(quán)重，得到融合特征；

S5.2：將從S5.1中得到的融合特征 輸入回歸器的四層全連接層中，得到不同源域的預(yù)測值。

[0013] 在一些實施例中，S6包括：S6.1：構(gòu)建源域均方誤差損失，損失計算如下：

式中， 為源域均方誤差損失， 和 分別為第i個源域中第j個樣本的預(yù)

測值和真值，N表示源域個數(shù)， 表示源域中的樣本個數(shù)，S表示數(shù)據(jù)為源域中的數(shù)據(jù)；

S6.2：采用最大均值差異度量從S3中得到的公共特征間的差異，MMD損失計算如下：

式中， 為公共特征的MMD損失，H表示再生核希爾伯特空間， 和 分別表示從步驟S3的公共特征提取模塊提取的多個源域公共特征和目標(biāo)域公共特征；

S6.3：采用最大均值差異度量從S4中得到的特殊特征間的差異，MMD損失計算如下：

式中， 為特殊特征的MMD損失， 和 表示從S4的特殊特征提取模塊提取

的多個源域特殊特征和多個目標(biāo)域特殊特征；

S6.4：根據(jù)S6.1、S6.2和S6.3中的損失得到網(wǎng)絡(luò)總體損失，計算如下：

式中，L為總體損失， 和 為損失之間的平衡因子。

[0014] 在一些實施例中，S7包括：將待預(yù)測的目標(biāo)域數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中，由于特殊特征提取模塊有N個子網(wǎng)絡(luò)，所以得到N個目標(biāo)域的預(yù)測值 ，將這些預(yù)測值加和求均值后得到最終的預(yù)測值，計算如下：式中， 為目標(biāo)域最終的預(yù)測值。

[0015] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：本發(fā)明提出一種基于參考信息的球磨機礦漿濃度預(yù)測方法，模型包括公共特征提取模塊、特殊特征提取模塊和回歸模塊三部分。公共特征提取塊將多個帶標(biāo)簽的參考工況數(shù)據(jù)和待預(yù)測數(shù)據(jù)投影到同一個特征空間中，減小分布差異后提取所有數(shù)據(jù)的公共特征。

特殊特征提取塊包括信息提取模塊和特征提取模塊兩部分，將參考工況數(shù)據(jù)輸入信息提取模塊后獲得時序信息，再將成對的帶標(biāo)簽的參考工況數(shù)據(jù)和待預(yù)測數(shù)據(jù)分別映射到不同的特征空間中，獲得多個工況的特殊特征。最后，將公共特征和特殊特征融合后輸入由全連接層構(gòu)建的回歸器中，得到多個待預(yù)測數(shù)據(jù)的預(yù)測值。對多個預(yù)測結(jié)果求均值后得到最終的球磨機礦漿濃度預(yù)測結(jié)果。

[0016] 本發(fā)明通過設(shè)計公共特征提取模塊提取多個源域和目標(biāo)域的公共特征，提高模型的泛化能力；通過設(shè)計特殊特征提取模塊提取多個源域和目標(biāo)域的特殊特征，提取更多有用的源域信息；通過回歸器和融合后的特征得到多個目標(biāo)域的預(yù)測結(jié)果；最后，對多個預(yù)測結(jié)果求均值得到最終的礦漿濃度預(yù)測結(jié)果；通過最小化總體損失函數(shù)，提高了球磨機礦漿濃度的預(yù)測精度。附圖說明[0017] 圖1為本發(fā)明一種基于參考信息的球磨機礦漿濃度預(yù)測方法的整體框架圖；圖2為本發(fā)明公共特征提取模塊的框架圖；

圖3為本發(fā)明特殊特征提取模塊的框架圖；

圖4為本發(fā)明回歸模塊的框架圖；

圖5為本發(fā)明采用不同方法對礦漿濃度進(jìn)行預(yù)測的結(jié)果圖。

具體實施方式[0018] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。[0019] 如圖1所示：本實施例提供一種基于參考信息的球磨機礦漿濃度預(yù)測方法，具體實施步驟如下：S1：在球磨機筒體表面設(shè)置多個振動傳感器，球磨機所研磨的物料是鐵礦石，通過采集不同運行狀態(tài)下的球磨機振動信號得到不同工況的數(shù)據(jù)。

[0020] S2：基于快速傅里葉變換對S1中所獲得的振動信號進(jìn)行時頻轉(zhuǎn)換，得到多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，數(shù)據(jù)維度為512維。[0021] 多個源域數(shù)據(jù)是指從不同工況中采集的帶球磨機礦漿濃度真值的數(shù)據(jù)，即參考工況的個數(shù)，共有N個，本實施例中的N值為3；目標(biāo)域數(shù)據(jù)是指實際過程中需要預(yù)測的球磨機數(shù)據(jù)；多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)分別表示為，

其中 是第i個源域數(shù)據(jù)，具有連續(xù)標(biāo)簽 ， 和

分別表示第j個源域樣本和對應(yīng)的標(biāo)簽， 表示第j個目標(biāo)域樣本， 是源域的樣本個數(shù)， 是目標(biāo)域的樣本個數(shù)，m是樣本特征數(shù)。

[0022] S3：如圖2，將從S2中得到的多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)輸入公共特征提取模塊中，提取富含時間信息的公共特征值。[0023] 公共特征提取模塊可以為長短期記憶網(wǎng)絡(luò)，通過長短期記憶網(wǎng)絡(luò)，可以提取富含時間信息的特征，除此之外循環(huán)神經(jīng)網(wǎng)絡(luò)也可以提取時間信息。[0024] 公共特征提取模塊的搭建；公共特征提取模塊由一層神經(jīng)元個數(shù)為512，激活函數(shù)為Tanh的長短期記憶網(wǎng)絡(luò)組成；將多個源域數(shù)據(jù) 和目標(biāo)域數(shù)據(jù) 輸入長短期記憶網(wǎng)絡(luò)中，得到公共特征；其中，公共特征如下：

和 分別表示第i個源域和目標(biāo)域的公共特征， 表示長短期記憶網(wǎng)絡(luò)

的權(quán)重， 表示長短期記憶網(wǎng)絡(luò)的偏置，權(quán)重和偏置由反向傳播算法更新， 表示Tanh函數(shù)。

[0025] S4：如圖3，將從S2中得到的多個源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)輸入特殊特征提取模塊中，提取各個源域的特殊特征。[0026] 特殊特征提取模塊的搭建；特殊特征提取模塊包括兩個子模塊：信息提取模塊和特征提取模塊。[0027] 信息提取模塊為長短期記憶網(wǎng)絡(luò)，通過長短期記憶網(wǎng)絡(luò)，可以提取富含時間信息的特征，循環(huán)神經(jīng)網(wǎng)絡(luò)也可以提取時間信息。[0028] S4.1：在信息提取模塊中，包含一層神經(jīng)元個數(shù)為512，激活函數(shù)為Tanh的長短期記憶網(wǎng)絡(luò)，將多個源域數(shù)據(jù) 和目標(biāo)域數(shù)據(jù) 輸入信息提取模塊中，得到富含時間信息的特征。[0029] 其中，富含時間信息的特征如下：，

和 分別表示第i個源域和目標(biāo)域富含時間信息的特征， 表示長短期記

憶網(wǎng)絡(luò)的權(quán)重， 表示長短期記憶網(wǎng)絡(luò)的偏置，權(quán)重和偏置由反向傳播算法更新，表示Tanh函數(shù)。

[0030] S4.2：在特征提取模塊中，共有3個結(jié)構(gòu)相同但參數(shù)不同的子網(wǎng)絡(luò)；將從S4.1中得到的第i個源域的特征 和目標(biāo)域特征 作為第i個特征提取模塊的輸入， 和 首先經(jīng)過一個卷積核大小為5的一維卷積層，然后經(jīng)過池化窗口大小為2的最大池化和批標(biāo)準(zhǔn)化得到第一次卷積后的特征；將第一次卷積后的特征輸入到卷積核大小為3的一維卷積層中，經(jīng)過池化窗口大小為2的最大池化和批標(biāo)準(zhǔn)化得到第i對特殊特征。[0031] 其中，第i對特殊特征如下：,

和 分別表示第i個源域和第i個目標(biāo)域的特殊特征， 、 、

和 分別表示第i個子網(wǎng)絡(luò)的批標(biāo)準(zhǔn)化、最大池化、卷積核大小為3的一維卷積層和卷積核大小為5的一維卷積層， 表示ReLu函數(shù)。

[0032] 將其他源域的特征和目標(biāo)域的特征輸入其他子網(wǎng)絡(luò)中，得到對應(yīng)的源域特殊特征和目標(biāo)域特殊特征；最終共得到3對特殊特征。[0033] S5：如圖4，將從S3和S4中獲得的特征值輸入回歸模塊中，得到源域的預(yù)測值。[0034] 回歸模塊的搭建；回歸模塊包括兩個部分：特征融合部分和回歸器部分。[0035] S5.1，在特征融合部分，給從S3和S4.2中得到的公共特征和特殊特征賦予權(quán)重，得到融合特征；其中，融合特征如下：

和 分別表示源域的融合特征和目標(biāo)域的融合特征， 表示特征的權(quán)重系

數(shù)， 的值為0.5。

[0036] S5.2，在回歸器部分，包括四層全連接層，各個全連接層的隱藏層個數(shù)分別為128、64、32和1，將從S5.1中得到的融合特征 輸入四層全連接層中，得到多個源域的預(yù)測值。

[0037] 其中，源域的預(yù)測值如下：表示源域的預(yù)測值， 、 、 和 分別表示四層全連接層的權(quán)重，

、 、 和 分別表示四層全連接層的偏置，權(quán)重和偏置由反向傳播算法更新，表示ReLu函數(shù)。

[0038] S6：采用源域的標(biāo)簽值和從S1、S2、S3和S4中獲得的數(shù)據(jù)構(gòu)建損失函數(shù)，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)；S6.1：構(gòu)建源域均方誤差損失，損失計算如下：

式中， 為源域均方誤差損失， 和 分別為第i個源域中第j個樣本的預(yù)

測值和真值，N表示源域個數(shù)， 表示源域中的樣本個數(shù)，S表示數(shù)據(jù)為源域中的數(shù)據(jù)。

[0039] S6.2：由于源域和目標(biāo)域數(shù)據(jù)的分布不同，采用最大均值差異（MMD）度量從S3中得到的公共特征間的差異，MMD損失計算如下：式中， 為公共特征的MMD損失， 表示再生核希爾伯特空間， 和 分別表示從S3的公共特征提取模塊提取的多個源域公共特征和目標(biāo)域公共特征。

[0040] S6.3：采用最大均值差異（MMD）度量從S4中得到的特殊特征間的差異，MMD損失計算如下：式中， 為特殊特征的MMD損失， 和 表示從S4的特殊特征提取模塊提取

的多個源域特殊特征和多個目標(biāo)域特殊特征.

S6.4，根據(jù)S6.1、S6.2和S6.3中的損失得到網(wǎng)絡(luò)總體損失，計算如下：

式中，L為總體損失， 和 為損失之間的平衡因子， 和 的取值為0.001。

[0041] S7，將目標(biāo)域數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，輸出多個礦漿濃度的預(yù)測值，求預(yù)測值的均值得到最終的預(yù)測值。[0042] 將待預(yù)測的目標(biāo)域數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)中，得到N個目標(biāo)域的預(yù)測值 ，將多個預(yù)測值加和求均值后得到最終的預(yù)測值，計算如下：式中， 為目標(biāo)域最終的預(yù)測值。

[0043] 本實施例采用三個工況的數(shù)據(jù)建立模型預(yù)測實際工業(yè)過程中的礦漿濃度，采用決2

定系數(shù)(R?square，R)和均方根誤差(Rootmeansquareerror，RMSE)作為算法的評價標(biāo)準(zhǔn)，表1為本實施例所采用的方法。

[0044] 表1定義不同工況下帶標(biāo)簽的球磨機數(shù)據(jù)為M1—M4，實際過程中需要預(yù)測的球磨機數(shù)據(jù)為M5，分析基于參考信息的域適應(yīng)方法對球磨機礦漿濃度的預(yù)測效果，選取SSDA?C和SSDA?E作為對比模型進(jìn)行實驗，表2為兩種單源域方法對礦漿濃度的預(yù)測結(jié)果。

[0045] 表2為了凸顯本發(fā)明的效果，采用MSDA的幾種變體對球磨機的礦漿濃度進(jìn)行預(yù)測。其中，MSDA?C只提取了多個源域的公共特征，MSDA?E只提取多個源域的特殊特征，預(yù)測結(jié)果如表3所示。

[0046] 表3從表2、表3的實驗結(jié)果來看，當(dāng)使用單源域適應(yīng)方法預(yù)測球磨機礦漿濃度時，SSDA?E這一模型的預(yù)測結(jié)果要比SSDA?C的預(yù)測結(jié)果好，但是這兩種方法的預(yù)測效果都比基于參考信息的模型預(yù)測效果差。

[0047] 如圖5所示，是采用不同方法對礦漿濃度進(jìn)行預(yù)測的結(jié)果，從圖中可以看出，MSDA的預(yù)測效果最好。說明加入?yún)⒖夹畔⒑?，可以幫助模型提升對礦漿濃度的預(yù)測精度。