谱聚类作为一种高效的聚类算法,其聚类质量不受样本数据中集簇类形状的影响,不管样本空间是否非凸,都能得到全局最优。然而,在聚类过程中对尺度参数的敏感以及需要事先人为设定聚类数使得谱聚类具有一定的局限性。本文研究能够自适应获得尺度参数和最优聚类数目的谱聚类算法,并用于基于机器视觉的铝土矿浮选过程工况识别仿真。论文的主要内容为:(1)分析了谱聚类算法的基本思想及相关理论,给出了经典谱聚类的算法步骤。(2)通过构建新的相似度函数,利用数据点邻域内的点密度对数据点之间的相似度进行调整,使之更加符合实际簇类中数据点之间的相似关系,解决了谱聚类算法在构建相似度矩阵时对尺度参数敏感的问题;同时,在计算相似度时使用近邻距离来自适应计算尺度参数,构成基于密度调整的自适应谱聚类算法,克服了人为设定尺度参数的困难。(3)针对传统谱聚类算法需要事先确定数据集聚类数的问题,基于数据集中实际簇类之间的数据点在特征空间中的相对位置关系,通过计算不同聚类数取值时所有数据点在特征空间的对应映射点之间的夹角,来确定数据集的最佳聚类数,给出了自动确定聚类数算法,并与基于密度调整的自适应谱聚类算法相结合,提出了改进的自适应谱聚类算法。(4)以铝土矿的浮选生产过程为对象,利用基于机器视觉的浮选工况识别系统采集的浮选泡沫图像特征数据进行仿真实验。实验结果表明,改进的自适应谱聚类算法能够根据浮选泡沫图像特征准确地识别铝土矿浮选过程中的工况,验证了所提算法的有效性。图20幅,表12个,参考文献66篇。