1.面向X荧光品位分析仪的铜品位SCN建模算法，其特征在于，包括以下步骤：步骤Step1、采集实际铜矿浮选过程中XRF品位分析仪的数据，所述数据为独立观察样本的输入、输出数据，将采集的数据作为建立预测模型的历史样本数据库；

步骤Step2、进行数据预处理，剔除有缺失值或无效数据的样品，以及因人为错误而有测量偏差的样品，保留独立完整的观察样本；

步骤Step3、使用局部离群因子LOF方法对X空间进行异常值检测，获得数据集，数据集包括训练数据集和测试数据集；

步骤Step4、在标准SCN中引入广义M估计和L2正则化，重新定义SCN的损失函数，假设已经构建了一个有 个隐藏神经元的SCN，输出 可以计算为：其中 为输入数据集， ， 和 分别为动态输入权重矩阵、输入偏置向量和输出权重向量， 是sigmoid激活函数；

遵循监督机制确定第 个隐藏神经元的输入权重和偏差：其中 是 和 之间的残差， 是随机参数， 选自区间 ，代表第 个神经元的候选参数， 且 ；

添加第 个隐藏层神经元后的输出权重 更新为：式中 ， 和 ，

为 的优化解；

对于一个有 个样本的数据集，输入集 ，稳健的Mallows距离，其表达式如下：

其中 和 代表高塌陷点位置和分歧的稳健估计；

具有较大 的观测点可以被识别为杠杆点，基于稳健距离构建的权重向量 被表述为：改进模型的隐藏层神经元的输出权重 被更新为：具有L2正则化的鲁棒SCN的输出权重可以计算为：其中 是L2范数惩罚；

步骤Step5、所研究算法应用于估算铜浮选过程中最终产品的铜品位。

2.根据权利要求1所述的面向X荧光品位分析仪的铜品位SCN建模算法，其特征在于：所述步骤Step1中的预测模型包括15个输入变量作为解释变量，即三个波长色散计数率及其漂移系数，三个能量色散计数率及其漂移系数，以及三个补偿通道变量；解释变量通过最终产品的实测铜品位作为与其对应的响应变量。

3.根据权利要求1所述的面向X荧光品位分析仪的铜品位SCN建模算法，其特征在于，所述步骤Step3中异常值检测步骤如下：

3.1、对于每个样本，找到其k个最近邻点;

3.2、计算每个样本的局部可达密度LRD，即比较该样本与其k个最近邻点的距离；

3.3、将某样本的LRD与邻域中点的平均LRD进行比较，低的LRD和高的平均LRD会导致高的LOF值；

3.4、根据LOF值对所有样本进行排序，LOF值高的样本被认为是离群点。

4.根据权利要求1所述的面向X荧光品位分析仪的铜品位SCN建模算法，其特征在于，所述步骤Step4包括：

4.1、建立标准SCN结构；

 假设 和 分别代表输入数据集的大小和维度，输入数据集 ，其中 ，

输出数据集

分别为动态输入权重矩阵、输入偏置向量和输出权重向量，是隐藏神经元的最大数量，建立SCN的结构过程如下：

4.1.1、假设已经构建了一个有 个隐藏神经元的SCN，输出 可以计算为 (1)

式中 ，

是

sigmoid激活函数；

4.1.2、遵循监督机制确定第 个隐藏神经元的输入权重和偏差 (2)

 其中 是 和 之间的残差，随机参数 和 选自区间

， 代表第 个神经元的候选参数 且 ，如果存在任何 ，则选择产生最大 的 作为最优参数，分别将它们添加到 和 ；

4.1.3、添加第 个隐藏层神经元后的输出权重 更新为 (3)

式中 ， 和 ，

为 的优化解；

4.1.4、继续添加隐藏神经元直到 低于一定的容忍水平或 。

5.根据权利要求4所述的面向X荧光品位分析仪的铜品位SCN建模算法，其特征在于，所述步骤Step4包括：

4.2、引入广义M估计方法：

对于一个有 个样本的数据集，输入集 ，稳健的Mallows距离，其表达式如下：

(4)

式中 和 代表高塌陷点位置和分歧的稳健估计；具有较大 的观测点可以被识别为杠杆点，基于稳健距离构建的权重向量 被表述为： (5)

原始数据集 和 可以转化为 ；

4.3、利用广义M估计方法改进SCN：改进模型的隐藏层神经元的输出权重 被更新为 (6)

原始数据集 和 的加权最小二乘法问题就可以简化为转换后的数据集 和的最小二乘法问题；

4.4、利用L2正则化技术改进所述4.3中已通过广义M估计方法改进的SCN：具有L2正则化的鲁棒SCN的输出权重可以计算为 (7)

其中 是L2范数惩罚；

4.5、网格搜索和交叉验证确定最佳 ；

4.6、根据所述4.4中等式（7）计算输出权重，增加隐藏层神经元并更新残差，直到满足结束条件。