针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ　Ｅｘｔｒｅｍｅ　Ｌｅａｒｎｉｎｇ　Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码

相信在大智慧股票池推出之前，没有人真正使用过产品化的投资决策工具。传统的证券软件禁锢了我们的思维，我们虽然使用了先进的电脑，能够实时浏览到大量的数据和资讯，但决策的过程却像使用算盘，由于工具的落后，我们每天都在辛苦地做体力活，一遍遍的条件选股、组合选股，看大量资讯把基本面好的、评级调高的股票然后加入到自选股，然后在每天盯着市场的表现，寻找热点，选择交易的时机