选矿过程就是将开采出来的原矿石经过物理/化学变化使有用矿物富集的过程。富集的有用成分称为精矿,富集后的产量为精矿产量。精矿产量是选矿生产过程中重要的综合生产指标之一,如何合理的利用综合生产指标(精矿产量等)调整生产过程各工序运行指标是保证选矿生产企业效益的关键。因此需要建立精矿产量与各工序运行指标之间的关系模型。在既定的各个工序运行指标作为输入情况下,预报相应的能够达到的精矿产量,便于及时调整各个工序的运行指标设定值。此外,选矿过程工况条件多变,为了使得模型能够及时获得过程的信息,需要不断利用生产过程产生的新数据进行在线学习。因此,本文研究基于在线学习的集成神经网络精矿产量预报方法。本文依托国家自然科学基金项目《复杂工业过程运行指标闭环优化方法研究(61273031)》,提出了一种集成随机权网络的在线学习算法,并将将该方法用于精矿产量的预报。本文的主要研究工作如下:1)给出了选矿精矿产量预报问题的描述。其中,给出了选矿流程生产过程的介绍;给出了选矿过程中生产指标分类:工艺指标、全流程综合生产指标以及生产工况条件;给出了工艺指标(磁选管回收率、强(弱)磁磨矿粒度、强(弱)精矿品位和强(弱)尾矿品位)、原矿性质与生产工况条件(强(弱)磁入磨品位、强(弱)磁球磨机台时处理量、强(弱)磁球磨机运行时间和废石品位)和精矿产量相互之间的关系分析;给出了选矿过程全流程综合生产指标预报难点和必要性。2)提出在线学习集成随机权网络方法。其中,在集成随机权神经网络的基础之上给出集成模型的在线学习方法,并提出了集成模型的个体模型个数和组合的选择方法。为了测试所提方法的有效性,采用标准测试函数进行了测试。其中,根据训练数据和测试数据产生的定义域区间不同来产生4种情形的数据集来测试所提方法的在线学习能力。本文算法与离线学习算法和最新的在线集成算法进行了性能比较。实验结果表明了本文算法对新增数据具有较强的学习能力。3)结合选矿精矿产量预报的具体问题,采用所提出的基于在线学习集成随机权网络,提出了选矿精矿产量的在线预报方法。其中,优化选择了集成神经网络的个体网络数量及随机池中最佳的输入权值矩阵;给出了集成模型的惩罚项系数和个体模型的最优网络隐含层节点数。将所提出的方法与已有方法进行了对比,结果表明本文提出算法在选矿精矿产量预报精度更高。