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

实验要求： 由于动态分区的大小是由作业需求量决定的，故分区的长度是预先不固定的，且分区的个数也随主存分配和回收变动。总之，所有分区情况随时可能发生变化，数据表格的设计必须和这个特点相适应。由于分区长度不同，因此设计的表格应该包括分区在主存中的起始地址和长度。由于分配时，空闲区有时会变成两个分区：空闲区和已分分区，回收主存分区时，可能会合并空闲区，这样如果整个主存采用一张表格记录已分分区和空闲区，就会使表格操作繁琐。主存分配时查找空闲区进行分配，然后填写已分配区表，主要操作在空闲区；某个作业执行