基因选矿流程案例推理匹配方法与流程

1.本发明涉及基因矿物加工工程技术领域，尤其是涉及一种基因选矿流程案例推理匹配方法。


背景技术：

2.基因矿物加工工程(genetic mineral processing engineering，gmpe)通常以矿床成因、矿石性质、矿物物性等矿物加工的“基因”特性研究与测试为基础，建立和应用数据库，并将现代信息技术与矿物加工技术深度融合，经过智能决策与推荐、模拟仿真和有限的选矿试验验证，快捷、高效、精准地选择选矿工艺技术，为新建选矿厂的设计或老选矿厂的技术改造提供支撑。
3.基因矿物加工工程既有对传统矿物加工和工艺矿物学历史数据、经验的收集、汇总和分析，更吸取了现代互联网、大数据和人工智能等先进的技术。在对矿物基因的数据提取和表征后，矿物基因信息以及选矿工艺信息最终能够实现了数字化，将历史资料信息结构化的存储在数据库中。在对矿物基因信息与选矿工艺流程信息进行人工分析时，需要依靠工艺人员的经验进行关联以及识别相似的矿种和流程信息，这对于初涉该行业的工艺人员，没有专家经验会造成一定困扰。也就是说，现有的基于矿物基因特性匹配相似选矿流程的技术存在门槛高、匹配难度大的问题。


技术实现要素：

4.本发明的目的在于提供一种基因选矿流程案例推理匹配方法和系统，以缓解现有技术中存在的技术门槛高、匹配难度大的技术问题。
5.为了实现上述目的，本发明实施例采用的技术方案如下：第一方面，本发明实施例提供了一种基因选矿流程案例推理匹配方法，该方法包括：获取基因选矿流程的案例库，上述案例库中包括多个待匹配案例；基于矿物基因属性，计算目标案例与每个上述待匹配案例的综合匹配值；上述目标案例包括矿物基因属性信息和基因选矿流程信息；确定上述综合匹配值达到匹配阈值的上述待匹配案例为上述目标案例的匹配案例。
6.在一些可能的实施方式中，上述矿物基因属性包括第一类矿物基因属性和第二类矿物基因属性；每个上述矿物基因属性对应一个描述特征；基于矿物基因属性，计算目标案例与每个上述待匹配案例的综合匹配值的步骤，包括：基于上述第一类矿物基因属性的描述特征的匹配值函数关系，计算第一匹配值；基于上述第二类矿物基因属性的描述特征的匹配值函数关系，计算第二匹配值；基于上述第一匹配值和上述第二匹配值，生成综合匹配值。
7.在一些可能的实施方式中，上述第一类矿物基因属性的描述特征的匹配值函数关系包括：当上述目标案例的描述特征与上述待匹配案例的描述特征相等时，上述目标案例与上述待匹配案例的第一匹配值为1；当上述目标案例的描述特征与上述待匹配案例的描
述特征不相等时，上述目标案例与上述待匹配案例的第一匹配值为0。
8.在一些可能的实施方式中，上述第二类矿物基因属性的描述特征的匹配值函数关系包括：上述目标案例与上述待匹配案例的第二匹配值与上述第二类矿物基因属性的中间参数之和为1；其中，上述第二类矿物基因属性的中间参数为第一参数与第二参数的比值；上述第一参数为上述目标案例的描述特征与上述待匹配案例的描述特征之差的绝对值；上述第二参数为上述目标案例的描述特征与上述待匹配案例的描述特征之间的最大值。
9.在一些可能的实施方式中，上述第一类矿物基因属性包括：矿床成因；上述第二类矿物基因属性包括：化学成分、矿物组成、粒度分布和单体解离度中的至少一种。
10.在一些可能的实施方式中，当上述第二类矿物基因属性为多个时，上述第二匹配值为多个上述第二类矿物基因属性匹配值的加权值。
11.在一些可能的实施方式中，上述匹配阈值的确定步骤，包括：在每个上述待匹配案例的综合匹配值中选取最大综合匹配值；将上述最大综合匹配值与第一阈值进行比较，当上述最大综合匹配值不小于上述第一阈值时，确定上述第一阈值为上述匹配阈值；当上述最大综合匹配值小于上述第一阈值时，确定上述最大综合匹配值为上述匹配阈值。
12.第二方面，本发明实施例提供了一种基因选矿流程案例推理匹配系统，该系统包括：获取模块、计算模块和确定模块；上述获取模块，用于获取基因选矿流程的案例库，上述案例库中包括多个待匹配案例；上述计算模块，用于基于矿物基因属性，计算目标案例与每个上述待匹配案例的综合匹配值；上述目标案例包括矿物基因属性信息和基因选矿流程信息；上述确定模块，用于确定上述综合匹配值达到匹配阈值的上述待匹配案例为上述目标案例的匹配案例。
13.第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
14.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
15.本发明提供了一种基因选矿流程案例推理匹配方法和系统，该方法包括：首先获取基因选矿流程的案例库，案例库中包括多个待匹配案例；然后基于矿物基因属性，计算目标案例与每个待匹配案例的综合匹配值，目标案例包括矿物基因属性信息和基因选矿流程信息；最后确定综合匹配值达到匹配阈值的待匹配案例为目标案例的匹配案例。通过上述方法可以缓解现有技术中存在的技术门槛高、匹配难度大的技术问题，实现了提高匹配效率的技术效果。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本发明实施例提供的一种基因选矿流程案例推理匹配方法的流程示意图；
图2为本发明实施例提供的一种基因选矿流程案例推理匹配系统的结构示意图；图3为本发明实施例提供的一种基因选矿流程案例推理匹配系统的显示界面结构示意图；图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
19.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.基因矿物加工工程gmpe通常以矿床成因、矿石性质、矿物物性等矿物加工的“基因”特性研究与测试为基础，建立和应用数据库，并将现代信息技术与矿物加工技术深度融合，经过智能决策与推荐、模拟仿真和有限的选矿试验验证，快捷、高效、精准地选择选矿工艺技术，为新建选矿厂的设计或老选矿厂的技术改造提供支撑。
21.基因矿物加工工程既有对传统矿物加工和工艺矿物学历史数据、经验的收集、汇总和分析，更吸取了现代互联网、大数据和人工智能等先进的技术。在对矿物基因的数据提取和表征后，矿物基因信息以及选矿工艺信息最终能够实现了数字化，将历史资料信息结构化的存储在数据库中。目前在对矿物基因信息与选矿工艺流程信息人工分析时，需要依靠工艺人员的经验进行关联以及识别相似的矿种和流程信息，这对于初涉该行业的工艺人员，没有专家经验会造成一定困扰。也就是说，现有的基于矿物基因特性匹配相似选矿流程的技术存在门槛高、效率低等问题。
22.基于此，本发明实施例提供了一种基因选矿流程案例推理匹配方法和系统，为便于对本实施例进行理解，首先对本发明实施例所公开的一种基因选矿流程案例推理匹配方法进行详细介绍，参见图1所示的一种基因选矿流程案例推理匹配方法的流程示意图，该方法可以由电子设备执行，主要包括以下步骤s110至步骤s130：s110：获取基因选矿流程的案例库，案例库中包括多个待匹配案例；s120：基于矿物基因属性，计算目标案例与每个待匹配案例的综合匹配值；目标案例包括矿物基因属性信息和基因选矿流程信息；其中矿物基因属性包括第一类矿物基因属性和第二类矿物基因属性；每个矿物基因属性对应一个描述特征。通常的，综合匹配值由第一匹配值和第二匹配值计算产生，在一种实施例中，第一匹配值基于第一类矿物基因属性的描述特征的匹配值函数关系获取；第二匹配值基于第二类矿物基因属性的描述特征的匹配值函数关系获取。
23.第一类矿物基因属性的描述特征的匹配值函数关系可以包括：当目标案例的描述特征与待匹配案例的描述特征相等时，目标案例与待匹配案例的第一匹配值为1；当目标案例的描述特征与待匹配案例的描述特征不相等时，目标案例与待匹配案例的第一匹配值为
0。
24.作为一个具体的示例，第一类矿物基因属性一般包括矿床成因，并且矿床成因时矿物基因匹配值描述的主要因素，其基因相似系数为1，匹配值的取值是0或1。
25.第二类矿物基因属性的描述特征的匹配值函数关系可以包括：目标案例与待匹配案例的第二匹配值与第二类矿物基因属性的中间参数之和为1；其中，第二类矿物基因属性的中间参数为第一参数与第二参数的比值；第一参数为目标案例的描述特征与待匹配案例的描述特征之差的绝对值；第二参数为目标案例的描述特征与待匹配案例的描述特征之间的最大值。
26.作为一个具体的示例，第二类矿物基因属性可以包括：化学成分、矿物组成、粒度分布和单体解离度中的至少一种，本实施例以第二类矿物基因属性包括上述四种为例，其基因相似系数分别为α、β、γ、δ，可以用于表示案例特征权值，通常由经验测试确定。匹配值的取值范围是(0,1)。
27.在一种实施方式中，当第二类矿物基因属性为多个时，第二匹配值为多个第二类矿物基因属性匹配值的加权值。
28.s130：确定综合匹配值达到匹配阈值的待匹配案例为目标案例的匹配案例。
29.其中，确定匹配阈值的具体步骤，包括：（1）在每个待匹配案例的综合匹配值中选取最大综合匹配值；（2）将最大综合匹配值与第一阈值进行比较，当最大综合匹配值不小于第一阈值时，确定第一阈值为匹配阈值；当最大综合匹配值小于第一阈值时，确定最大综合匹配值为匹配阈值。
30.本技术实施例提供了一种基于矿物基因属性，计算目标案例与每个待匹配案例的综合匹配值的具体示例，其中矿物基因匹配值描述如表1所示：表1：矿物基因匹配值描述
31.定义输入的目标案例未知矿样当前的属性为c'，c'的属性描述为，c'的解为。案例库中案例c
k
的属性描述为，c
k
的解为f
sk
，其中k=1
…
m，m为当前案例库中案例的个数。
32.当前输入矿样矿物加工属性的矿床成因描述特征与案例库中第k个案例的矿床成因描述特征 的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
1）
33.定义当前矿样c'的化学成分描述特征与案例库中第k个案例的矿样化学成分描述特征 的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
2）
34.注意，当为矢量时，以绝对差表示。
35.同理，定义当前矿样c'的矿物组成描述特征与案例库中第k个案例的矿物组成描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
3）
36.同理，定义当前矿样c'的粒度分布描述特征与案例库中第k个案例的粒度分布描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
4）
37.同理，定义当前矿样c'的单体解离度描述特征与案例库中第k个案例的单体解离度描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
5）
38.定义当前输入矿样c'与库中案例c
k
的匹配值函数为：
ꢀꢀ
（1
‑
6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
7）其中、、γ、δ分别为案例特征权值，由经验测试确定。
39.定义当前工况c'与案例库中案例c
k
的最大匹配值函数值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
8）定义当前矿物c'与案例库中案例c
k
的匹配阈值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
9）计算出匹配值之后，案例库中与给定矿物的匹配值达到阈值sim
th
的所有案例都被匹配出作为匹配案例。
40.需要说明的是，当第二类矿物基因属性为多个时，第二匹配值为多个第二类矿物基因属性匹配值的加权值。例如：化学成分的基因属性可以包括铜、硫、银、铁等；矿物组成的基因属性可以包括黄铜矿、黄铁矿等；粒度分布的基因属性可以包括 0.0074mm、
‑
0.020mm等；单体解离度的基因属性可以包括70、80等等。
41.作为一个具体的示例，一种化学成分匹配值描述如表2所示：表2：化学成分匹配值描述
42.定义输入未知矿样当前的化学成分属性描述为。
43.案例库中案例的化学成分属性描述为，其中k=1
…
m，m为当前案例库中案例的个数。
44.定义当前矿样c'的化学成分cu属性描述特征与案例库中第k个案例的矿样化学成分cu属性描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
10）
45.同理，定义当前矿样c'的化学成分s属性描述特征与案例库中第k个案例的矿样化学成分s属性描述特征 的匹配值函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
10）
46.定义当前输入矿样c'与库中案例c
k
的化学成分匹配值函数为：
ꢀꢀ
（1
‑
11）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
12）其中分别为案例特征权值，由经验测试确定。
47.定义当前输入矿样c'与案例库中案例c
k
的化学成分最大匹配值函数值为：（1
‑
13）定义当前矿物c'与案例库中案例c
k
的化学成分匹配阈值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
14）计算出匹配值之后，案例库中与给定矿物的化学成分匹配值达到阈值的所有案例都被匹配出作为匹配案例。该方法实现了矿物化学成分的可配置成分属性以及可配置成分特征权重值，可以灵活添加相应的化学成分信息，并实现了灵活的自动计算匹配值。
48.作为一个具体的示例，一种化学成分匹配值描述如表3所示：表3：矿物组成匹配值描述
49.定义输入未知矿样当前的矿物组成属性描述为。
50.案例库中案例的矿物组成属性描述为，其中k=1
…
m，m为当前案例库中案例的个数。
51.定义当前矿样c'的矿物黄铜矿属性描述特征与案例库中第k个案例的矿样化学成分cu属性描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀ
（2
‑
10）
52.同理，定义当前矿样c'的矿物黄铁矿属性描述特征与案例库中第k个案例的矿物黄铁矿属性描述特征 的匹配值函数为：
ꢀꢀꢀꢀꢀ
（2
‑
10）
53.定义当前输入矿样c'与库中案例c
k
的矿物组成匹配值函数为：
ꢀꢀ
（2
‑
11）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2
‑
12）其中分别为案例特征权值，由经验凑试确定。
54.定义当前输入矿样c'与案例库中案例c
k
的矿物组成最大匹配值函数值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2
‑
13）定义当前矿物c'与案例库中案例c
k
的矿物组成匹配阈值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2
‑
14）计算出匹配值之后，案例库中与给定矿物的矿物组成匹配值达到阈值的所有案例都被匹配出作为匹配案例。上述方法实现了矿物组成的可配置矿物名称以及可配置矿物特征权重值，可以灵活添加相应的矿物组成信息，并实现了灵活的自动计算匹配值。
55.作为一个具体的示例，一种粒度分布描述如表4所示：表4：粒度分布描述
56.定义输入未知矿样当前的粒度分布属性描述为。
57.案例库中案例的 0.074mm粒级分布属性描述为，其中k=1
…
m，m为当前案例库中案例的个数。
58.定义当前矿样c'的 0.074mm粒级分布属性描述特征与案例库中第k个案例的矿样 0.074mm粒级分布属性描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀꢀ
（3
‑
10）
59.同理，定义当前矿样c'的
‑
0.020mm粒级分布属性描述特征与案例库中第k个案例的
‑
0.020mm粒级分布属性描述特征 的匹配值函数为： （3
‑
10）
60.定义当前输入矿样c'与库中案例c
k
的粒度分布匹配值函数为：
61.（3
‑
11）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3
‑
12）其中分别为粒度级别特征权值，由经验凑试确定。
62.定义当前输入矿样c'与案例库中案例c
k
的粒度分布最大匹配值函数值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3
‑
13）定义当前矿物c'与案例库中案例c
k
的矿粒度分布匹配阈值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3
‑
14）计算出匹配值之后，案例库中与给定矿物的粒度分布匹配值达到阈值的所有案例都被匹配出作为匹配案例。上述方法实现了粒度分布的可配置粒度级别以及可配置粒级特征权重值，可以灵活添加相应的粒度级别信息，并实现了灵活的自动计算匹配值。
63.作为一个具体的示例，一种单体解离度描述如表5所示：表5：单体解离度描述
64.定义输入未知矿样当前的矿单体解离度属性描述为。
65.案例库中案例解离度为70的属性描述为，其中k=1
…
m，m为当前案例库中案例的个数。
66.定义当前矿样c'解离度为70的属性描述特征与案例库中第k个案例的矿样解离度为70的属性描述特征的匹配值函数为：
ꢀꢀꢀꢀꢀꢀ
（4
‑
10）
67.同理，当前矿样c'解离度为80的属性描述特征与案例库中第k个案例的矿样解离度为80的属性描述特征的匹配值函数为： （4
‑
10）
68.定义当前输入矿样c'与库中案例c
k
的解离度匹配值函数为：
ꢀꢀ
（4
‑
11）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4
‑
12）其中分别为粒度级别特征权值，由经验凑试确定。
69.定义当前输入矿样c'与案例库中案例c
k
的解离度最大匹配值函数值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4
‑
13）定义当前矿物c'与案例库中案例c
k
的解离度匹配阈值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4
‑
14）计算出匹配值之后，案例库中与给定矿物的单体解离度匹配值达到阈值的所有案例都被匹配出作为匹配案例。该方法实现了单体解离度的可配置单体解离以及可配置特征权重值，可以灵活添加相应的单体解离信息，并实现了灵活的自动计算匹配值。
70.本技术提供了一种基因选矿流程案例推理匹配方法，该方法包括：首先获取基因选矿流程的案例库，案例库中包括多个待匹配案例；然后基于矿物基因属性，计算目标案例与每个待匹配案例的综合匹配值，目标案例包括矿物基因属性信息和基因选矿流程信息；最后确定综合匹配值达到匹配阈值的待匹配案例为目标案例的匹配案例。通过上述方法可以缓解现有技术中存在的技术门槛高、匹配难度大的技术问题，实现了提高匹配效率的技术效果。
71.作为一个具体的示例，本技术实施例提供了一种基于矿物基因属性，计算目标案例（铜矿山a
‑
顺序优先浮选）与待匹配案例（铜矿山b
‑
混合浮选）的第一匹配值、第二匹配值和综合匹配值的方法，包括以下步骤：1、第一匹配值计算（第一类矿物基因属性为矿床成因）1、第一匹配值计算（第一类矿物基因属性为矿床成因）1、第一匹配值计算（第一类矿物基因属性为矿床成因）
72.sim1（矽卡岩型，沉积岩型）矿床成因 = 02、第二匹配值计算（第二类矿物基因属性为矿物组成、化学成分、粒度分布和铜矿物单体解离度）（1）矿物组成（穷举所有含cu、s的矿物）（1）矿物组成（穷举所有含cu、s的矿物）（1）矿物组成（穷举所有含cu、s的矿物）
73.sim2黄铜矿= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.67sim2斑铜矿= 1
‑ꢀ
=1
‑ꢀꢀ
= 0sim2黝铜矿= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.95sim2黄铁矿= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.42sim2白铁矿= 1
‑
sim矿物组成= * sim2黄铜矿 * sim2斑铜矿 γ* sim2黝铜矿 l* sim2黄铁矿=0.4*0.67 0.3*0 0.2*0.95 0.1*0.42=0.50其中， γ l=1。
74.（2）化学成分（cu、s元素）（2）化学成分（cu、s元素） 75.sim2cu= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.82sim2s= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.46sim化学成分= * sim2cu * sim2s = 0.7*0.82 0.3*0.46=0.71其中， =1。
76.（3）粒度分布
ꢀ
77.sim2 0.074mm= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.76sim2
‑
0.020mm= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.42sim2粒度分布= * sim2 0.074mm * sim2
‑
0.020mm = 0.6*0.76 0.4*0.42=0.62其中， =1。
78.（4）铜矿物单体解离度（4）铜矿物单体解离度 79.sim2单体解离度= 1
‑ꢀ
=1
‑ꢀꢀ
= 0.993、综合匹配值计算3、综合匹配值计算
80.sim(铜矿山a，铜矿山b)= sim1（矽卡岩型，沉积岩型）矿床成因[α
×
sim矿物组成 β
×
sim化学成分 γ
×
sim2粒度分布 l
×
sim2单体解离度]=0
×
[0.3
×
0.50 0.3
×
0.71 0.2
×
0.62 0.2
×
0.99]=0其中，α β γ l = 1。
[0081]
本发明提供的基因选矿流程案例推理匹配方法，基于矿物基因属性计算目标案例
与每个待匹配案例的综合匹配值，选择综合匹配值达到匹配阈值的待匹配案例为目标案例的匹配案例，缓解现有技术中存在的技术门槛高、匹配难度大的技术问题，实现了提高匹配效率的技术效果。
[0082]
本发明实施例还提供了一种基因选矿流程案例推理匹配系统，参见图2，该系统包括：获取模块210、计算模块220和确定模块230；获取模块210，用于获取基因选矿流程的案例库，案例库中包括多个待匹配案例；计算模块220，用于基于矿物基因属性，计算目标案例与每个待匹配案例的综合匹配值；目标案例包括矿物基因属性信息和基因选矿流程信息；确定模块230，用于确定综合匹配值达到匹配阈值的待匹配案例为目标案例的匹配案例。
[0083]
作为一个具体的示例，上述系统能够在电子设备上进行显示，图3为本发明实施例提供的一种基因选矿流程案例推理匹配系统的显示界面结构示意图。该显示界面可以包括基因匹配系数配置单元、匹配条件单元和匹配值结果单元。
[0084]
其中，在基因匹配系数配置单元可以对矿床成因、化学成分、矿物组成、粒度分布以及单体解离度这五种矿物基因属性进行系数配置。匹配条件单元则可以包括：矿床成因子单元（该子单元可以响应于选择操作，用于显示一种矿床成因类型）、化学成分子单元（该子单元可以响应于输入操作，用于显示输入的化学成分，如：cu、s等）、矿物组成子单元（该子单元可以响应于输入操作，用于显示输入的矿物组成，如：黄铜矿、斑铜矿、铜蓝等）、粒度分布子单元（该子单元可以响应于输入操作，用于显示输入的粒度分布数值，如： 0.0074mm、
‑
0.020mm等）、单体解离度子单元（该子单元可以响应于输入操作，用于显示输入的单体解离度，如：75、80等）。
[0085]
匹配值结果单元可以显示多个项目名称，以及每个项目名称所包含的多种矿物基因属性的匹配值（即：成分匹配值、矿物匹配值、粒度匹配值和解离度匹配值）以及总匹配值。
[0086]
通过上述系统可以实现可配置的矿物基因属性，以及可配置的特征权重值，可以灵活添加相应的矿物基因属性信息，并实现了灵活的自动计算匹配值。
[0087]
本技术实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
[0088]
图4为本技术实施例提供的一种电子设备的结构示意图，该电子设备400包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
[0089]
其中，存储器41可能包含高速随机存取存储器（ram，random access memory），也可能还包括非不稳定的存储器（non
‑
volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口43（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
[0090]
总线42可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0091]
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
[0092]
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field
‑
programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
[0093]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0094]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0095]
另外，在本技术提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0096]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，电子设备，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0097]
应注意到：相似的标号和字母在附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0098]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明
的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。