欢迎访问西安知识产权运营服务平台
摘要
本发明公开了一种基于二叉树支持向量机的分类方法，包括步骤：一、信号采集：采用状态信息检测单元对被检测对象在N种不同工作状态时的工作状态信息分别进行检测，并将所检测信号同步传送至数据处理器，相应获得与N种不同工作状态相对应的N组工作状态检测信息；二、特征提取；三、训练样本获取：分别在经特征提取后的N组工作状态检测信息中，随机抽取m个检测信号组成训练样本集；四、分类优先级别确定；五、多分类模型建立；六、多分类模型训练；七、信号实时采集及同步分类。本发明设计合理、操作简便、实现方便且使用效果好、实用价值高，不仅可以选出SVM分类器的最优参数，且能减少噪声和孤立点对分类的影响，提高了分类速度和精度。
The invention discloses a binary tree-based SVM (support vector machine) classification method. The binary tree-based SVM classification method comprises the following steps : 1, acquiring signals, namely detecting working state information of an object to be detected in N different working states through a state information detection unit, synchronously transmitting the detected signals to a data processor, and acquiring N groups of working state detection information which corresponds to the N different working states; 2, extracting characteristics; 3, acquiring training samples, namely randomly extracting m detections signals to form training sample sets respectively from the N groups of working state detection information which are subjected to the characteristic extraction; 4, determining classification priority; 5, establishing a plurality of classification models; 6 training a plurality of classification models; and 7, acquiring signals in real time and synchronously classifying. The binary tree-based SVM classification method is reasonable in design, easy to operate, convenient to implement, good in use effect and high in practical value; and optimal parameters of an SVM classifier can be chosen, influence on the classification due to noises and isolated points can be reduced, and classification speed and precision are improved.
技术摘要
| 技术功效句 | 实现方便; 本发明所采用的分类方法将支持向量机这一两分类方法有效推广至多分类场合; 2、所采用的分类方法步骤简单、设计合理、实现方便且分类速度快、分类精度高; 提高分类速度和精度; 具有优良的局部优化能力; 有效提高了输送带缺陷检测的可靠性和效率; 能有效推广适用至各种故障信号或缺陷信号的智能识别过程; 有效地避免了锯齿问题; 本发明设计合理、使用操作简便、实现方便且使用效果好、实用价值高; 5、使用效果好且实用价值高; ①有效地避免了标准遗传算法的早熟问题; 具有良好的全局优化能力; 7、适用范围较广; 6、所采用的多传感器信息融合特征提取和特征约简方法设计合理; 具有良好的收敛性能; 训练速度快; 并且所获得分类模型的分类精度高; 大幅度减少了计算量; 支持向量机参数对分类精度影响较大 |
| 技术功效短语 | 方便; 有效推广至多分类场合; 方法步骤简单; 提高精度; 分类高; 优良优化能力; 提高效率; 智能识别; 避免锯齿问题; 实现快; 实用价值高; 实用价值; 操作简便; 避免早熟问题; 良好优化能力; 设计合理; 适用范围广; 提高检测可靠性; 提高分类速度; 良好收敛; 训练速度快; 获得分类精度高; 减少计算量; 支持向两分类方法; 支持分类精度; 适用至故障信号 |
| 技术功效1级 | 便利性; 场合; 复杂性; 精度; 分类; 能力; 效率; 智能化; 锯齿; 速度; 价值; 实用性; 早熟; 合理性; 范围; 可靠性; 收敛; 计算量; 适合性 |
| 技术功效2级 | 便利性提高; 场合提高; 复杂性降低; 精度提高; 分类提高; 能力改善; 效率提高; 智能化提高; 锯齿避免; 速度提高; 价值提高; 实用性提高; 早熟避免; 能力; 合理性提高; 范围提高; 可靠性提高; 收敛提高; 计算量降低; 分类; 适合性提高 |
| 技术功效3级 | 便利性提高; 有效推广分类场合提高; 方法步骤复杂性降低; 精度提高; 分类提高; 优良能力改善; 效率提高; 识别智能化提高; 问题锯齿避免; 实现速度提高; 实用价值提高; 价值实用性提高; 操作便利性提高; 问题早熟避免; 能力; 设计合理性提高; 适用范围提高; 检测可靠性提高; 分类速度提高; 收敛提高; 训练速度速度提高; 获得分类精度提高; 计算量降低; 支持方法分类; 支持分类精度提高; 故障信号适合性提高 |
| 技术功效TRIZ参数 | 33-操作流程的方便性;36-系统的复杂性;28-测量精度;39-生产率;09-速度;35-适应性、通用性;27-可靠性; |
专利历程
2012-09-20
申请日
2013-02-06
首次公开日
2015-07-08
授权公告日
2032-09-20
预估到期日
同族专利
| 同族专利公开号 | |
| 扩展同族公开号 | |
| DocDB公开号 |
| 代理机构 | 西安创知专利事务所 61213 |
| 代理人 | 谭文琰 |
| 申请语言 | 汉语 |
| 审查员 | 姚楠 |
权利要求
1.一种基于二叉树支持向量机的分类方法，其特征在于该方法包括以下步骤：
步骤一、信号采集：采用状态信息检测单元对被检测对象在N种不同工作状态时的工作状态信息分别进行实时检测，并将所检测信号同步传送至数据处理器(2)，相应获得与N种不同工作状态相对应的N组工作状态检测信息，N组所述工作状态检测信息中均包括所述状态信息检测单元在不同采样时刻检测到的多个检测信号，其中N为正整数且N≥3；
步骤二、特征提取：待数据处理器(2)接收到所述状态信息检测单元所传送的检测信号时，自各检测信号中分别提取出能代表并区别该检测信号的一组特征参数，且该组特征参数包括W个特征量，并对W个所述特征量进行编号，W个所述特征量组成一个特征向量，其中W≥2；
步骤三、训练样本获取：分别在经特征提取后的N组所述工作状态检测信息中，随机抽取m个检测信号组成训练样本集； 所述训练样本集中相应包括l个训练样本，其中m≥2，l＝m×N；l个所述训练样本分属于N种样本类，每一个样本类中均包括被检测对象工作于同一个工作状态时的m个训练样本，N种样本类分别为与被检测对象的N种不同工作状态相对应的样本类1、样本类2…样本类N；N种样本类中的每一个训练样本均记作Xks，其中k为样本类的类别标号且k＝1、2…N，s为各样本类中所包括m个训练样本的样本序号且s＝1、2…m；Xks为样本类k中第s个训练样本的特征向量，Xks∈Rd，其中d为Xks的向量维数且d＝W；
步骤四、分类优先级别确定，其确定过程如下：
步骤401、样本类的类中心计算：采用数据处理器(2)对N种所述样本类中任一个样本类k的类中心进行计算；
且对样本类k的类中心进行计算时，根据公式
步骤402、类间距离计算：采用数据处理器(2)且根据公式
步骤403、类间距之和计算：采用数据处理器(2)且根据公式
步骤404、多次重复步骤401至步骤403，直至计算得出N种所述样本类中所有样本类的类间距之和；
步骤405、按照步骤404中计算得出的所有样本类的类间距之和由大到小的顺序，采用数据处理器(2)确定出N种所述样本类的分类优先级别Y，其中Y＝1、2…N；其中，类间距之和最大的样本类的分类优先级别最高且其分类级别为1，类间距之和最大的样本类的分类优先级别最低且其分类级别为N；
步骤五、多分类模型建立：所建立的多分类模型包括N-1个二分类模型，且N-1个所述二分类模型均为支持向量机模型；N-1个所述二分类模型按照步骤405中所确定的分类优先级别，将N种所述样本类自所述训练样本集中由先至后逐类分出来，N-1个所述二分类模型的建立方法均相同且均采用数据处理器(2)进行建立；
对于N-1个所述二分类模型中的任一个二分类模型Z来说，其建立过程如下：
步骤501、核函数选取：选用径向基函数作为二分类模型Z的核函数；
步骤502、分类函数确定：待惩罚参数C与步骤501中所选用径向基函数的核参数γ确定后，获得二分类模型Z的分类函数，完成二分类模型Z的建立过程；其中，0＜C≤1000，0＜γ≤1000； 所建立的二分类模型Z为待分类优先级别高于z的所有样本类自所述训练样本集中分出来后，将分类优先级别为z的样本类自所述训练样本集中剩余的N-z+1个样本类中分出来的二分类模型，其中z＝1、2…N-1，Z＝z；
步骤503、二分类模型分类优先级别设定：根据步骤502中所述二分类模型Z自所述训练样本集中剩余的N-z+1个样本类中分出来的样本类的分类优先级别z，对二分类模型Z的分类优先级别R进行设定，且R＝z；
步骤504、多次重复步骤501至步骤503，直至获得N-1个所述二分类模型的分类函数，便完成N-1个所述二分类模型的建立过程，获得建立完成的多分类模型；
步骤六、多分类模型训练：将步骤三中所述训练样本集中的l个训练样本输入到步骤五中所建立的多分类模型进行训练；
步骤七、信号实时采集及同步分类：采用所述状态信息检测单元对被检测对象的当前工作状态进行实时检测，且将所检测信号同步输入至步骤五中所建立的多分类模型中，并自动输出被检测对象当前工作状态的类别。
2.按照权利要求1所述的一种基于二叉树支持向量机的分类方法，其特征在于：步骤三中获取训练样本的同时，还需分别在N组所述工作状态检测信息中随机抽取b个检测信号组成测试样本集；所述测试样本集中相应包括Q个测试样本，其中b≥2，Q＝b×N；Q个所述测试样本分属于N种所述样本类；步骤六中对所建立的多分类模型进行训练后，还需输入Q个所述测试样本，对所建立多分类模型的分类正确率进行测试。
3.按照权利要求1或2所述的一种基于二叉树支持向量机的分类方法，其特征在于：步骤一中N种所述不同工作状态为被检测对象发生故障时的多种不同故障状态或出现缺陷时的多种不同缺陷状态，且所述状态信息检测单元所检测信号为被检测对象发生故障时的故障信号或出现缺陷时的缺陷信号，步骤七中自动输出的被检测对象当前工作状态的类别为被检测对象当前发生的故障类别或当前出现的缺陷类别。
4.按照权利要求1或2所述的一种基于二叉树支持向量机的分类方法，其特征在于：步骤五中N-1个所述分类模型均为模糊支持向量机模型，且步骤三中进行训练样本获取时，N种样本类中的每一个训练样本中均包括模糊隶属度μks，其中μks为Xks对其所属样本类k的模糊隶属度。
5.按照权利要求2所述的一种基于二叉树支持向量机的分类方法，其特征在于：步骤五中对模糊隶属度μks进行确定时，采用模糊统计法、例证法、专家经验法、二元对比排序法或基于线性距离的隶属度函数进行确定。
6.按照权利要求1或2所述的一种基于二叉树支持向量机的分类方法，其特征在于：步骤202中计算得出样本类k与N种所述样本类中任一个样本类h之间的间距dkh后，获得样本类k的类间距离数据；步骤204中多次重复步骤201至步骤203后，获得N种所述样本类的类间距离数据和类间距之和；随后，所述数据处理器(2)将N种所述样本类的类间距离数据组成一个类间距离对称矩阵Dk×k，且每一个所述样本类的类间距离数据位于类间距离对称矩阵Dk×k的同一行上；N种所述样本类的类间距之和分别为类间距离对称矩阵Dk×k中的各行数据之和，且类间距离对称矩阵Dk×k中的各行数据之和组成一个数组(Sumd(1)，Sumd(2)…Sumd(N))；
步骤205中对N种所述样本类的分类优先级别Y进行确定时，其确定过程如下：
步骤2051、初始参数设定：对分类优先级别Y和样本总数n的初始值分别进行设定，其中分类优先级别Y＝0，样本总数n＝N；
步骤2052、比较数组(Sumd(1)，Sumd(2)…Sumd(N))中当前所有数据的大小，从中选出最大值Sumd(L)，其中L＝1、2…N，并将样本类L的分类优先级别为Y+1，且此时Y＝Y+1，n＝N-1；同时，将类间距离对称矩阵Dk×k中的第L行数据全部置0，将数组(Sumd(1)，Sumd(2)…Sumd(N))中的Sumd(L)置0；
步骤2053、多次重复步骤2052，直至n＝0为止。
