摘要：分类器设计为模式识别领域的主要研究方向之一,更有效的分类器一直是所追求的。核方法的引入使得分类器有效性得到很大改善。然而,单个核函数无法有效描述复杂的数据分布和模式特征,多核方法通过多个核函数的组合为解决上述问题提供了新思路。在铜浮选过程中,现场工作环境复杂,变量间的非线性关系复杂,目前用在浮选过程中的模式识别方法没有着重考虑特征选择和数据异构情况,适用性有限,影响工况识别的准确率。论文主要研究工作及创新性成果如下：(1)针对传统F-score特征选择方法未考虑非线性可分特征的问题,提出一种多核F-score(MKF-score)特征选择方法,对样本间距离重新定义,得到非线性可分特征的有效评估准则。在UCI数据集上仿真结果表明,所提方法挑选出的最优特征子集能够达到较好的分类效果。(2)针对目标类数据分布呈现异构、非目标类数据不足的问题,研究基于多核支持向量数据描述(MKSVDD)的分类方法,在Banana数据集上的仿真结果表明,所提方法更加适用于数据分布异构问题。(3)针对单核高斯过程回归(SKGPR)处理异构数据误差较大问题,研究基于多核高斯过程回归(MKGPR)的专家分类方法。运用不同分布数据进行仿真实验,结果表明多核高斯过程回归在处理异构数据时性能优良。(4)针对铜浮选过程存在大量非线性异构数据的问题,提出基于多核方法的铜浮选过程工况识别方法,将多核F-score、多核支持向量数据描述和多核高斯过程回归专家分类方法运用于铜浮选工况识别中,工业现场数据实验验证了所提方法的有效性,可以很好地用于指导实际浮选生产操作。图45幅,表15个,参考文献71篇。