选矿过程就是将从地下开采出来的原矿石经过物理／化学变化使有用矿物进行富集的过程[1,2]。富集的有用成分称为精矿。而其富集的程度即为精矿品位,其产量称为精矿产量。精矿品位和精矿产量都是选矿生产过程的重要生产指标,如何合理设定精矿品位和精矿产量的目标值以有效地调控生产过程是保证选矿生产企业效益的关键。而选矿过程是典型的流程工业过程,它由一系列的生产工序串联组成,每个工序都有衡量其效果或相关指标的工序指标。而这些工序指标直接或间接影响选矿过程的精矿产量和精矿品位这两个综合生产指标。因此,如果能够有效地考虑选矿过程中的各个工序的生产指标与综合精矿产量以及综合精矿品位指标之间的关系,建立相应的关系模型,这样便可以根据既定的各个工艺指标的值在离线测验出精矿产量指标与精矿品位指标之前预报出他们的值。这样便可以有效地、及时的调整生产设定值,是解决选矿流程大滞后这一特点的有效方法。因此,本文的目的便是基于机器学习的方法提出精矿产量与精矿品位的预报方法,实现精矿产量与精矿品位指标的准确预报。本文依托国家自然科学基金“动态环境下复杂工业全过程多工序工艺指标闭环优化决策方法”,提出了一种新型方法：基于遗传算法的主成分选择方法；之后将其分别应用到精矿产量和精矿品位指标的预报中,有效地提高了选矿综合精矿产量与精矿品位指标的预报精度。本文的主要研究工作如下：(1)提出了基于遗传算法的主成分选择方法主成分分析是一种有效的特征提取方法,原变量经由主成分分析法线性变换为相同数量的主成分之后,需要有效的主成分选择方法来保证选出的主成分既能保留有足够的有价值信息,以代表所有的数据,又要保证选出的主成分对于预测输出变量具有重要作用,这是主成分选择问题的难点所在。本文提出的基于遗传算法的主成分选择方法根据主成分在训练集上的表现对主成分组合加以评价,保证选出的主成分对于预测输出具有重要作用,同时衡量每个主成分组合的总的方差贡献率大小,保证主成分组合具有一定量的信息。通过仿真实验测试,并与现有的主成分选择方法的实验效果进行对比,表明了本文提出的方法的有效性。(2)建立了基于LS-SVM和基于遗传算法的主成分选择方法的精矿产量预报模型由于选矿的生产流程工艺指标与综合产量指标之间的关系复杂,不能够使用机理模型进行建模,因此本文采用LS-SVM对各个工艺指标与综合产量指标之间的关系进行建模。LS-SVM的模型参数用粒子群算法进行优化。而本文提出的基于遗传算法的主成分选择方法用于对LS-SVM模型的输入数据进行特征提取,去除噪声和冗余,通知保留有用信息,最终达到提高模型预报精度的目的。通过对比之前存在的方法：程伟建提出的"LS-SVM方法和自适应混沌粒子群优化算法”的建模方法,表明本文方法有效地提高了精矿产量指标的预测精度。(3)建立了基于遗传算法的主成分选择方法和基于“线性模型加非线性误差补偿模型”的精矿品位预报模型针对精矿品位指标以及相关数据的特点,本文采用一种比较有效的精矿品位预报模型,即“线性模型加非线性误差补偿模型”。并利用本文提出的“基于遗传算法的主成分选择方法”对该模型的线性模型部分输入数据进行特征提取。通过仿真实验研究,并与现有方法进行精矿品位预测精度对比,表明本文方法有效地提高了总体模型的预测精度。