精矿品位和回收率是选矿过程中重要的生产指标,目前对精矿品位和回收率的动态预测以及时序预测的效果不甚理想,存在着预测精度不高和速度慢等问题。针对该问题,本文根据矿山实际生产数据的复杂性特点,利用基于核的极限学习机(Kernel-based Extreme Learning Machine,Kernel_ELM)此类高级神经网络学习算法,通过分析选矿过程中积累的指标数据,分别建立动态预测模型和时序预测模型。在建立时序预测模型时,先对生产数据进行相空间重构,将一维时间序列之间的相关性计算转化为多维时间序列之间的相关性计算,然后基于核的极限学习机进行时序预测建模。在基于核的极限学习机的选矿生产指标预测应用中,系统模型可调参数少,训练速度快,而且预测的准确率高,能较为准确地预测精矿品位和回收率值的变化趋势。基于某矿山实际生产数据的测试实验,验证了本文方法的有效性,可为矿山企业的产品计划提供智能决策支持。