1、鋁土礦浮選生產(chǎn)過程中，泡沫層的特征能夠直接反應浮選工況的質(zhì)量指標。目前，傳統(tǒng)的工況識別主要依據(jù)有經(jīng)驗的操作工人通過觀察泡沫層表面泡沫的視覺特征來實現(xiàn)，但由于浮選操作的不確定性和隨意性以及泡沫表面視覺特征的復雜性，難以保證浮選過程的優(yōu)化運行。因此，研究浮選泡沫工況識別，并用于指導浮選生產(chǎn)過程操作，對提高浮選精礦品位和礦產(chǎn)資源的利用率以及企業(yè)的經(jīng)濟效益，都具有非常重要的現(xiàn)實意義。
　　支持向量機基于結(jié)構(gòu)風險最小化原理，能有效解決小樣本

2、分類問題，已在模式識別、回歸估計等多個領域得到廣泛的應用。對于如何將支持向量機二值分類算法推廣到多類支持向量機分類算法中去，并有效應用于鋁土礦泡沫浮選工況識別的研究，具有較高的理論和實際應用意義。
　　為此，本文首先針對“一類對多類”算法由于構(gòu)造子分類器所需訓練樣本數(shù)目眾多導致分類精度不高，而“一類對一類”算法則因其需要構(gòu)造的子分類器數(shù)目眾多，導致分類速度很慢的問題，提出了一種類間“一類對二類”多類分類算法，該算法能夠使分類精度以

3、及分類速度同時得到明顯的提升。其次，針對決策二叉樹和決策有向無環(huán)圖算法因待分樣本不同會導致生成結(jié)構(gòu)不同，致使分類精度和分類速度都不同的問題，提出了一種基于凸殼二叉樹的多類分類算法，該算法能生成分類效果最佳狀態(tài)下的二叉樹結(jié)構(gòu)，有效地確保分類精度和速度的穩(wěn)定性。UCI數(shù)據(jù)集的仿真結(jié)果表明了所提算法的有效性。
　　最后，在研究鋁土礦泡沫層表面視覺特征與浮選工況關(guān)系的基礎上，提出了基于改進的SVM多類分類算法的鋁土礦浮選工況識別方法。利用