權(quán)利要求書： 1.考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，包括以下步驟：步驟S1，采集回轉(zhuǎn)窯的工況數(shù)據(jù)；

步驟S2，對(duì)熱工信號(hào)進(jìn)行特征提取，轉(zhuǎn)化成用于分類的訓(xùn)練數(shù)據(jù)；

步驟S3，對(duì)預(yù)處理后的訓(xùn)練數(shù)據(jù)計(jì)算出核矩陣；

步驟S4，將核矩陣和訓(xùn)練數(shù)據(jù)進(jìn)行ODM訓(xùn)練學(xué)習(xí)得到訓(xùn)練分類器C；

步驟S5，運(yùn)用訓(xùn)練分類器C計(jì)算出訓(xùn)練樣本到分類面的間隔，并計(jì)算出間隔均值；

步驟S6，根據(jù)計(jì)算的間隔和間隔均值，計(jì)算得到保角變換函數(shù)；

步驟S7，根據(jù)保角變換函數(shù)對(duì)核函數(shù)進(jìn)行修正，得到新的核矩陣；

步驟S8，使用修正后的核矩陣進(jìn)行ODM訓(xùn)練，得到分類器，可以識(shí)別出燒結(jié)狀態(tài)是正常還是異常，然后采取相關(guān)措施。

2.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S1中，工況數(shù)據(jù)包括八種熱工信號(hào)，包括喂煤速度CF、投原料速度RMF、一次空氣PA、窯尾負(fù)壓NP、窯頭氣體溫度KHT、窯尾氣體溫度KTT、主機(jī)電流MDC和燒結(jié)區(qū)火焰的溫度ST。

3.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S2的具體過程是：

步驟S2.1，通過下述公式：

其中， 是指加入s個(gè)熱工信號(hào)XD所求得的李普希茨商，L(k)是所有 中第k大的商，s是熱工信號(hào)XD的個(gè)數(shù)，XD(i)表示作為輸入的熱工信號(hào)XD中的第i個(gè)數(shù)據(jù)，XD(j)表示作為輸入的熱工信號(hào)XD中的第j個(gè)數(shù)據(jù)，XD(i?s)表示作為輸入的熱工信號(hào)XD中的第i?s個(gè)數(shù)據(jù)，XD(j?s)表示作為輸入的熱工信號(hào)XD中的第j?s個(gè)數(shù)據(jù)，XD屬于{CF，RMF，PA，NP，KHT，KTT，MDC，ST}八種熱工信號(hào)之一，XRT(i)、XRT(j)表示作為模型輸出的熱工信號(hào)RT中的第i個(gè)數(shù)據(jù)和第s

j個(gè)數(shù)據(jù)，L表示加入s個(gè)熱工信號(hào)XD后，所求得的李普希茨數(shù)；

s

隨著熱工信號(hào)XD中的內(nèi)容增加，即增加s，計(jì)算不同s值下的李普希茲數(shù)L ，隨著s值的增s

大，畫出s與李普希茲數(shù)L之間的曲線關(guān)系圖，通過在圖上找出下降轉(zhuǎn)折點(diǎn)、上升轉(zhuǎn)折點(diǎn)，找出最后一個(gè)相關(guān)輸入LRI，第一個(gè)相關(guān)輸入FRI和最后一個(gè)相關(guān)輸入LRI之間的時(shí)間段就是該熱工信號(hào)XD的相關(guān)時(shí)段RP；

步驟S2.2，對(duì)熱工信號(hào)進(jìn)行打標(biāo)，找出欠燒、過燒和正常三種工況時(shí)刻的數(shù)據(jù)，進(jìn)行標(biāo)簽劃分；

步驟S2.3，提取熱工信號(hào)的統(tǒng)計(jì)特征，統(tǒng)計(jì)特征包括平均值特征和趨勢(shì)特征：步驟S2.3.1，提取熱工信號(hào)的平均值特征：通過式(1)計(jì)算相關(guān)時(shí)段RP中各熱工信號(hào)的平均值：其中，MD為熱工信號(hào)XD的平均特征，DR為熱工信號(hào)XD的RP，LDR是DR的長度；

步驟S2.3.2，提取熱工信號(hào)的趨勢(shì)特征；

熱工信號(hào)趨勢(shì)定義為由熱工信號(hào)值線性擬合得到的斜率，線性擬合模型如下：g(tD)＝atD+b(2)其中，a和b分別為擬合直線的斜率和截距，tD為熱工信號(hào)XD對(duì)應(yīng)的時(shí)刻；

擬合直線g(tD)與XD之間的誤差通過最小化平均擬合損失來最小化：其中，tD(i)為熱工信號(hào)XD相關(guān)時(shí)段內(nèi)第i個(gè)數(shù)據(jù)對(duì)應(yīng)的時(shí)刻，以相關(guān)時(shí)段起點(diǎn)為0時(shí)刻，XDR(i)為熱工信號(hào)XD相關(guān)時(shí)段內(nèi)的第i個(gè)數(shù)據(jù)，斜率a的最優(yōu)值為趨勢(shì)特征，將熱工信號(hào)XD的趨勢(shì)特征表示為AD；

步驟S2.4，提取熱工信號(hào)的動(dòng)態(tài)特征，動(dòng)態(tài)特征包括短時(shí)能量和樣本熵特征：步驟S2.4.1，提取短時(shí)能量特征對(duì)于熱工信號(hào)的短時(shí)能量定義為：

其中，En(t)為t時(shí)刻的短時(shí)能量，w()為窗口函數(shù)，Nc為窗口寬度，此處的i表示從t?(Nc?

1)時(shí)刻迭代到t時(shí)刻的一個(gè)迭代變量；

當(dāng)矩形窗口w(n)定義為：

其中，若n時(shí)刻在熱工信號(hào)XD的相關(guān)時(shí)段內(nèi)，則w(n)＝1，否則為0；

將式(5)代入到式(4)中，RP中熱工信號(hào)的短時(shí)能量ED由下式計(jì)算：步驟S2.4.2，提取樣本熵特征；

對(duì)于時(shí)序熱工信號(hào) 可得到一組按序號(hào)順序排列的m維向量向量Um(i)與Um(j)之間的最大距離定義為：其中，Um(j)為Um向量中的第j個(gè)元素，i，j，k為Um向量中的元素位置；

對(duì)于給定的向量Um(i)，滿足{Um(j)|1≤j≤t?m,j≠i}條件的向量Um(i)和Um(j)之間的最大距離不大于給定閾值η的數(shù)表示為Bi，對(duì)于維數(shù)m，兩個(gè)向量匹配m個(gè)點(diǎn)的概率定義為：則該熱工信號(hào)的樣本熵為：

m+1 m

其中，B 為B中m維數(shù)取m+1時(shí)的值，各燒結(jié)狀態(tài)樣本由MD，AD，ED和SED四個(gè)特征組成，RP中各熱工信號(hào)可表示為{MCF,...,MST,...,SECF,...,SEST}，由此可以得到訓(xùn)練樣本Xtrain由N個(gè)包含{MCF，...，MST，...，SECF，...，SEST}這些特征的向量組成的一個(gè)矩陣，N為訓(xùn)練樣本個(gè)數(shù)。

4.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S3的具體過程是：

選擇RBF核作為核函數(shù)，根據(jù)式(10)計(jì)算訓(xùn)練樣本的核矩陣K：其中，K(i,j)表示核矩陣K中的第i行j列的元素，Xtrain(i)、Xtrain(j)分別為訓(xùn)練樣本Xtrain中的第i個(gè)樣本和第j個(gè)樣本，σ為RBF核中的參數(shù)。

5.根據(jù)權(quán)利要求4所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S4的具體過程是：

用于判別欠燒、過燒和正常三種狀態(tài)的分類器可以表示為 即訓(xùn)練數(shù)據(jù)通過映射函數(shù) 映射到RBF核空間后，由分類器進(jìn)行分離，其中y表示訓(xùn)練樣本標(biāo)簽， 表示實(shí)際訓(xùn)練樣本空間到RBF核空間的映射函數(shù)，映射函數(shù)與核矩陣的關(guān)系為xi為Xtrain的第i個(gè)訓(xùn)練樣本的特征向量，xj為Xtrain的第j個(gè)訓(xùn)練樣本的特征向量，T表示ω向量的轉(zhuǎn)置，(xi,yi)樣本的邊際定義為：其中，f()表示計(jì)算間隔關(guān)于xi的函數(shù)，γi中定義(xi,yi)樣本的間隔，xi為Xtrain的第i個(gè)訓(xùn)練樣本的特征向量，yi為Xtrain中的第i個(gè)訓(xùn)練樣本的標(biāo)簽；

間隔均值表示為：

其中，ω為線性分類器中的系數(shù)；然后通過計(jì)算每個(gè)樣本的間隔與間隔均值之間的差值，得到間隔方差如下：

yi為Xtrain中的第i個(gè)訓(xùn)練樣本的標(biāo)簽，N為訓(xùn)練樣本個(gè)數(shù)；

考慮到間隔均值和間隔方差的計(jì)算效率較低，通過縮放將邊緣均值設(shè)置為1，通過最小化邊際方差，優(yōu)化邊際分布，表示ODM的目標(biāo)函數(shù)為：其中，ξi、εi分別為xi樣本的間隔與間隔均值的下界偏差、xi樣本的間隔與間隔均值的上界偏差，S為ODM的稀疏參數(shù)，決定哪些樣本是支持向量，C1和C2為懲罰參數(shù)，C1和C2分別控制ξi和εi在目標(biāo)函數(shù)中的權(quán)重，C1作為分類器間隔下界錯(cuò)分的懲罰，C2作為分類器間隔上界錯(cuò)分的懲罰，N為訓(xùn)練樣本個(gè)數(shù)；

得到了ODM分類器凸函數(shù)形式，進(jìn)行ODM訓(xùn)練，ODM訓(xùn)練輸入是訓(xùn)練樣本Xtrain和訓(xùn)練樣本標(biāo)簽y，輸出是計(jì)算Xtrain間隔的函數(shù)f()。

6.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S5的具體過程是：

當(dāng)ODM學(xué)習(xí)訓(xùn)練結(jié)束后，將每個(gè)回轉(zhuǎn)窯數(shù)據(jù)樣本代入式(15)中即可求出樣本到分類面的間隔：

其中，Xtrain(j)為第j個(gè)訓(xùn)練樣本，Xtrain(i)為第i個(gè)訓(xùn)練樣本，yj為Xtrain中的第j個(gè)訓(xùn)練樣本的標(biāo)簽，yi為Xtrain中的第i個(gè)訓(xùn)練樣本的標(biāo)簽，K(Xtrain(i),Xtrain(j))為K核矩陣中訓(xùn)練樣本Xtrain(i)對(duì)應(yīng)的行和訓(xùn)練樣本Xtrain(j)對(duì)應(yīng)列的元素，α為訓(xùn)練后得到的分類面系數(shù)，f(x)表示計(jì)算間隔關(guān)于x的函數(shù)；

之后根據(jù)式(16)計(jì)算間隔均值：其中，為間隔均值，∑f(Xtrain(i))為所有訓(xùn)練樣本間隔之和，N為訓(xùn)練樣本個(gè)數(shù)。

7.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S6中，計(jì)算保角變換函數(shù)具體步驟為：其中，S是ODM的稀疏參數(shù)，f(Xtrain)和 分別表示間隔和間隔均值，Kn和Kf為特征空間中控制不同區(qū)域體積膨脹系數(shù)的懲罰參數(shù)，Kn控制 區(qū)域內(nèi)的體積膨脹，Kf控制 區(qū)域內(nèi)的體積膨脹，e為自然常數(shù)，NIR為訓(xùn)練樣本的不平衡比IR，控制不同標(biāo)簽樣本的空間膨脹系數(shù)定義為：+ ? + ?

其中，Xtrain表示訓(xùn)練樣本，X為多數(shù)類樣本，X為少數(shù)類樣本，n 和n 分別表示多數(shù)樣本個(gè)數(shù)和少數(shù)樣本個(gè)數(shù)，多數(shù)類樣本為正常燒結(jié)狀態(tài)樣本，少數(shù)類樣本為過燒和欠燒燒結(jié)狀態(tài)樣本。

8.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S7包括：

T

求得向量d＝(d1,d2,...,dN) 表示由公式(17)計(jì)算得到的一個(gè)N維向量，di＝D(Xtrain(i))，i＝1，…，N，當(dāng)i＝1，…，N時(shí)，di表示N維向量d中的d1,d2,...,dN個(gè)元素，N為訓(xùn)練樣本T T

個(gè)數(shù)，dd 是d與d的矩陣相乘，結(jié)果是一個(gè)N行N列的正(半)定矩陣，修正后的新核矩陣由下T

列矩陣形式保角變換公式求得，為dd和K組成的一個(gè)哈達(dá)瑪積：T

Knew＝dd*K(19)其中，Knew為通過保角變換修正后的新的核矩陣。

9.根據(jù)權(quán)利要求5所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，其特征在于，所述步驟S8包括：將Knew替換步驟S3中公式(10)計(jì)算得到的核矩陣K，再進(jìn)行ODM訓(xùn)練，可以得到分類器 重復(fù)進(jìn)行步驟S3?S7兩遍，訓(xùn)練出兩個(gè)分類器，第一次訓(xùn)練將欠燒和過燒的樣本標(biāo)簽設(shè)為1，正常樣本標(biāo)簽設(shè)為?1，得到分類器一；第二次訓(xùn)練將正常樣本剔除，在欠燒和過燒之間訓(xùn)練分類器；將欠燒樣本標(biāo)簽設(shè)為1，過燒樣本設(shè)為?1，得到分類器二；通過兩個(gè)分類器，特征提取后熱工信號(hào)的數(shù)據(jù)的燒結(jié)狀態(tài)可以得到有效的識(shí)別，將特征提取后熱工信號(hào)的數(shù)據(jù)替換掉分類器中的Xtrain，求出對(duì)應(yīng)的樣本標(biāo)簽，先通過分類器一識(shí)別出燒結(jié)狀態(tài)是正常還是異常，若為異常燒結(jié)狀態(tài)，再通過分類器二判斷出是欠燒還是過燒，采取相關(guān)措施。

說明書： 考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法技術(shù)領(lǐng)域[0001] 本發(fā)明主要涉及回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別技術(shù)領(lǐng)域，特別是涉及一種核修正和最優(yōu)間隔分布的類別不均衡分類方法。

背景技術(shù)[0002] 回轉(zhuǎn)窯是廣泛應(yīng)用于鋼鐵、電力、水泥等領(lǐng)域的核心生產(chǎn)設(shè)備?；剞D(zhuǎn)窯的燒結(jié)狀態(tài)直接影響熟料質(zhì)量。以氧化鋁回轉(zhuǎn)窯為例，回轉(zhuǎn)窯燒結(jié)主要有正常燒結(jié)、欠燒燒結(jié)和過燒燒

結(jié)三種燒結(jié)狀態(tài)。欠燒和過燒是不正常的狀態(tài)。在欠燒狀態(tài)下，原料熔化不充分，導(dǎo)致后期

冶煉過程中氧化鋁提取不完全。熟料在過燒的情況下，會(huì)產(chǎn)生粘性，容易結(jié)塊，不利于破碎

和冶煉。另外，過熱會(huì)對(duì)耐火材料造成損傷，增加回轉(zhuǎn)窯的維護(hù)成本。燒結(jié)狀態(tài)的準(zhǔn)確判斷

和識(shí)別對(duì)保證安全生產(chǎn)和提高生產(chǎn)效率至關(guān)重要，控制系統(tǒng)采取適當(dāng)?shù)拇胧﹣砭S持正常生

產(chǎn)也是前提。

[0003] 燒結(jié)狀態(tài)識(shí)別(SCR)一直不是一項(xiàng)簡單的工作。物理測(cè)量設(shè)備測(cè)得的溫度是控制回轉(zhuǎn)窯的一個(gè)重要指標(biāo)。然而，僅僅通過溫度來估計(jì)燒結(jié)狀態(tài)是不夠的。例如，在正常燒結(jié)

狀態(tài)下，氧化鋁回轉(zhuǎn)窯的火焰溫度(ST)會(huì)根據(jù)材料組成或供煤值等諸多復(fù)雜因素變化，在

1000℃到1300℃之間。另外，由于回轉(zhuǎn)窯延遲大，溫度變化一般滯后于燒結(jié)狀態(tài)的變化，氧

化鋁回轉(zhuǎn)窯的燒結(jié)溫度不能及時(shí)反映當(dāng)前燒結(jié)狀態(tài)。

[0004] 由于燒結(jié)過程涉及復(fù)雜的物理和化學(xué)反應(yīng)，回轉(zhuǎn)窯的機(jī)理模型難以建立。事實(shí)上，在大多數(shù)燃煤工業(yè)領(lǐng)域，燒結(jié)狀態(tài)是由操作人員根據(jù)經(jīng)驗(yàn)通過工藝數(shù)據(jù)的變化來判斷的。

近年來，利用現(xiàn)場(chǎng)工藝數(shù)據(jù)對(duì)燒結(jié)狀態(tài)或相關(guān)參數(shù)進(jìn)行自動(dòng)識(shí)別的研究很多?；剞D(zhuǎn)窯燒結(jié)

狀態(tài)識(shí)別的過程場(chǎng)數(shù)據(jù)包括火焰圖像和熱信號(hào)?；诨鹧鎴D像的方法以其直觀、快速的特

點(diǎn)在燒結(jié)狀態(tài)識(shí)別中占有重要的地位。研究人員提取了各種視覺特征，并開發(fā)了基于火焰

圖像的分類器。但在煤粉場(chǎng)中，煙塵干擾會(huì)造成圖像的破壞，嚴(yán)重影響算法的精度。與此同

時(shí)，許多研究人員分析了熱信號(hào)的特性，并利用軟計(jì)算技術(shù)對(duì)燒結(jié)狀態(tài)識(shí)別進(jìn)行了研究。通

過建立了預(yù)測(cè)模型，并根據(jù)實(shí)際與預(yù)測(cè)值的差值確定了燒結(jié)狀態(tài)。這在利用熱信號(hào)識(shí)別燒

結(jié)狀態(tài)方面也取得了良好的性能。

[0005] 上述數(shù)據(jù)驅(qū)動(dòng)方法在燒結(jié)狀態(tài)識(shí)別方面取得了很大的成就。但是，由于異常情況發(fā)生的概率遠(yuǎn)遠(yuǎn)小于正常情況發(fā)生的概率，因此采集到的工業(yè)數(shù)據(jù)通常是類別不平衡的，

現(xiàn)有的方法通常忽略了這一點(diǎn)。在類別不平衡的情況下，識(shí)別模型的學(xué)習(xí)分隔符總是傾向

于少數(shù)類，這使得識(shí)別模型的泛化性能和異常狀態(tài)的識(shí)別精度下降。在回轉(zhuǎn)窯現(xiàn)場(chǎng)，對(duì)異常

情況的誤判可能會(huì)導(dǎo)致一系列的誤操作，造成嚴(yán)重的后果。例如，當(dāng)過燒狀態(tài)被誤判為欠燒

狀態(tài)時(shí)，控制系統(tǒng)可能會(huì)進(jìn)行一系列與欠燒狀態(tài)相對(duì)應(yīng)的操作，如增加輸煤量，導(dǎo)致燒結(jié)區(qū)

溫度不斷升高，從而降低熟料質(zhì)量，破壞設(shè)備。回轉(zhuǎn)窯類別不平衡數(shù)據(jù)的存在，對(duì)燒結(jié)狀態(tài)

識(shí)別模型的設(shè)計(jì)提出了挑戰(zhàn)。

發(fā)明內(nèi)容[0006] 本發(fā)明實(shí)施例的目的在于提供一種考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，針對(duì)現(xiàn)有技術(shù)沒有考慮到回轉(zhuǎn)窯燒結(jié)狀態(tài)存在數(shù)據(jù)類別不均衡，從而造成燒結(jié)狀態(tài)在異常

狀態(tài)下識(shí)別精度低，泛化性能差的問題。

[0007] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，包括以下步驟：

[0008] 步驟S1，采集回轉(zhuǎn)窯的工況數(shù)據(jù)；[0009] 步驟S2，對(duì)熱工信號(hào)進(jìn)行特征提取，轉(zhuǎn)化成用于分類的訓(xùn)練數(shù)據(jù)；[0010] 步驟S3，對(duì)預(yù)處理后的訓(xùn)練數(shù)據(jù)計(jì)算出核矩陣；[0011] 步驟S4，將核矩陣和訓(xùn)練數(shù)據(jù)進(jìn)行ODM訓(xùn)練學(xué)習(xí)得到訓(xùn)練分類器C；[0012] 步驟S5，運(yùn)用訓(xùn)練分類器C計(jì)算出訓(xùn)練樣本到分類面的間隔，并計(jì)算出間隔均值；[0013] 步驟S6，根據(jù)計(jì)算的間隔和間隔均值，計(jì)算得到保角變換函數(shù)；[0014] 步驟S7，根據(jù)保角變換函數(shù)對(duì)核函數(shù)進(jìn)行修正，得到新的核矩陣；[0015] 步驟S8，使用修正后的核矩陣進(jìn)行ODM訓(xùn)練，得到分類器，可以識(shí)別出燒結(jié)狀態(tài)是正常還是異常，然后采取相關(guān)措施。

[0016] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：[0017] (1)本發(fā)明將熱工信號(hào)中的統(tǒng)計(jì)特征和動(dòng)態(tài)特征相結(jié)合，動(dòng)態(tài)特征的引入使燒結(jié)狀態(tài)描述更加全面，可以有效提高燒結(jié)狀態(tài)樣品的可分性，并且能夠有效的解決了回轉(zhuǎn)窯

熱工數(shù)據(jù)強(qiáng)耦合、大時(shí)滯的特點(diǎn)，使提取出的特征具有更好的可分性，進(jìn)而提高燒結(jié)狀態(tài)識(shí)

別的精度，避免識(shí)別錯(cuò)誤導(dǎo)致的影響，有利于工廠的自動(dòng)化生產(chǎn)。

[0018] (2)本發(fā)明能夠在類別不均衡的情況下，有效的進(jìn)行分類，避免了多數(shù)類對(duì)分類面的干擾，增加了欠燒和過燒兩種不正常燒結(jié)狀態(tài)的識(shí)別精度。這種分類識(shí)別方法，泛化能力

強(qiáng)，可以大大提高回轉(zhuǎn)窯燒結(jié)狀態(tài)的識(shí)別精度。

[0019] (3)本發(fā)明所構(gòu)造的新的保角變換函數(shù)，能夠有效提高分類器的數(shù)據(jù)可分性和泛化能力，構(gòu)造時(shí)引入了不均衡參數(shù)，增加了少數(shù)類樣本對(duì)分類器的影響，可以緩解由于數(shù)據(jù)

不均衡造成的少數(shù)類分類面偏移和檢測(cè)精度下降的問題。

附圖說明[0020] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本

發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以

根據(jù)這些附圖獲得其他的附圖。

[0021] 圖1為本發(fā)明的分類算法在實(shí)施例的方法流程圖。[0022] 圖2為通過ODM和本文提出的方法KMODM得到各燒結(jié)狀態(tài)的邊緣分布比較圖。[0023] 圖3為在使用不均衡率為10的半月牙數(shù)據(jù)集上，本文提出的方法KMODM和ODM學(xué)習(xí)的分類面的比較圖。

[0024] 圖4(a)是李普希茨數(shù)與相關(guān)輸入之間的折線示意圖，注明了最后一個(gè)相關(guān)輸入的位置。對(duì)熱工信號(hào)進(jìn)行相關(guān)時(shí)段分析，即Lipschitz方法，李普希茨數(shù)下降轉(zhuǎn)折的位置就是

最后一個(gè)相關(guān)輸入的位置。

[0025] 圖4(b)是李普希茨數(shù)與相關(guān)輸入之間的折線示意圖，注明了第一個(gè)相關(guān)輸入的位置。對(duì)熱工信號(hào)進(jìn)行相關(guān)時(shí)段分析，李普希茨數(shù)的第一個(gè)突變是輸入就是第一個(gè)相關(guān)輸入

的位置。

具體實(shí)施方式[0026] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本

發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)

施例，都屬于本發(fā)明保護(hù)的范圍。

[0027] 如圖1所示，本發(fā)明實(shí)施例的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識(shí)別方法，具體步驟是：

[0028] 步驟S1，采集回轉(zhuǎn)窯的工況數(shù)據(jù)；[0029] 步驟S2，對(duì)熱工信號(hào)進(jìn)行特征提取，轉(zhuǎn)化成用于分類的訓(xùn)練數(shù)據(jù)；[0030] 步驟S3，對(duì)預(yù)處理后的數(shù)據(jù)計(jì)算出核矩陣；[0031] 步驟S4，將核矩陣和訓(xùn)練樣本進(jìn)行ODM(optimalmargindistributionmachine最優(yōu)間隔分布機(jī)：一種在支持向量機(jī)最大化最小間隔原理基礎(chǔ)上，考慮最優(yōu)間隔分布進(jìn)行

改進(jìn)的分類方法)訓(xùn)練學(xué)習(xí)得到訓(xùn)練分類器C。

[0032] 步驟S5，運(yùn)用訓(xùn)練分類器C計(jì)算出訓(xùn)練樣本到分類面的間隔，并計(jì)算出間隔均值。[0033] 步驟S6，根據(jù)計(jì)算的間隔和間隔均值，計(jì)算得到保角變換函數(shù)。[0034] 步驟S7，根據(jù)保角變換函數(shù)對(duì)核函數(shù)進(jìn)行修正，得到新的核矩陣。[0035] 步驟S8，使用修正后的核矩陣進(jìn)行ODM訓(xùn)練，得到分類器。[0036] 進(jìn)一步的，步驟S1，采集回轉(zhuǎn)窯中八種熱工信號(hào)，包括喂煤速度(CF)、投原料速度(RMF)、一次空氣(PA)(一次空氣又叫一次風(fēng)，是指回轉(zhuǎn)窯燃燒時(shí)，與煤粉混合一起送入爐膛

的空氣；一次風(fēng)對(duì)鍋爐的燃燒起主導(dǎo)作用)、窯尾負(fù)壓(NP)、窯頭氣體溫度(KHT)、窯尾氣體

溫度(KTT)、主機(jī)電流(MDC)和燒結(jié)區(qū)火焰的溫度(ST)，如表1。

[0037] 表1回轉(zhuǎn)窯的熱工變量[0038] 變量 描述 單位CF 喂煤速率 t/h

RMF 投放原料速率 t/h

3

PA 一次空氣 m/h

NP 窯尾負(fù)壓 Pa

KHT 窯頭氣體溫度 ℃

KTT 窯尾氣體溫度 ℃

MDC 主機(jī)電流 A

ST 用比色溫度計(jì)測(cè)量燒結(jié)區(qū)火焰的溫度 ℃

[0039] 步驟S2具體過程是：[0040] 步驟S2.1，對(duì)熱工信號(hào)進(jìn)行相關(guān)時(shí)段分析。[0041] 一般來說，輸入信號(hào)的變化需要一段時(shí)間來改變系統(tǒng)的輸出(例如，投放煤料的速度增加了，不會(huì)立刻導(dǎo)致溫度的增加，需要等投放的煤料充分燃燒時(shí)才會(huì)導(dǎo)致溫度的增

加)。為了估計(jì)輸入變量(即八個(gè)熱工信號(hào)，其中ST信號(hào)輸入輸出都是本身，是以本身為輸入

輸出求出的相關(guān)時(shí)段)的相關(guān)時(shí)間段的變化，采用了一種無模型的方法，即Lipschitz方法，

該方法首先用于確定非線性系統(tǒng)的階數(shù)，改進(jìn)方法可用于估計(jì)復(fù)雜非線性系統(tǒng)的輸入延

遲。Lipschitz方法的估計(jì)結(jié)果可以揭示第一個(gè)相關(guān)輸入(FRI)和最后一個(gè)相關(guān)輸入(LRI)，

因此第一個(gè)和最后一個(gè)相關(guān)輸入之間的時(shí)間段可以定義為相關(guān)時(shí)段(RP)。為了得到各輸入

信號(hào)的相對(duì)速度，本發(fā)明建立了以單熱工信號(hào)為輸入，以單熱工信號(hào)為輸出的幾個(gè)模型，求

出了每個(gè)熱工信號(hào)的相關(guān)時(shí)段(RP)。

[0042] 首先通過下述公式：[0043][0044][0045] 其中， 是指加入s個(gè)熱工信號(hào)XD所求得的李普希茨商，L(k)是李普希茨商，L(k)是所有 中第k大的商，s是熱工信號(hào)XD的個(gè)數(shù)。XD(i)表示作為輸入的熱工信號(hào)XD中的第i

個(gè)數(shù)據(jù)，XD(j)表示作為輸入的熱工信號(hào)XD中的第j個(gè)數(shù)據(jù)，XD(i?s)表示作為輸入的熱工信

號(hào)XD中的第i?s個(gè)數(shù)據(jù)，XD(j?s)表示作為輸入的熱工信號(hào)XD中的第j?s個(gè)數(shù)據(jù)。XD屬于{CF，

RMF，PA，NP，KHT，KTT，MDC，ST}八種熱工信號(hào)之一。XRT(i)、XRT(j)表示作為模型輸出的熱工

s

信號(hào)RT中的第i個(gè)數(shù)據(jù)和第j個(gè)數(shù)據(jù)。L表示加入s個(gè)熱工信號(hào)XD后，所求得的李普希茨數(shù)。

[0046] 隨著加入模型中熱工信號(hào)XD中的內(nèi)容增加，即增加s，計(jì)算不同s值下的李普希茲s s

數(shù)L。隨著s值的增大，可以畫出s與李普希茲數(shù)L 之間的曲線關(guān)系圖，通過在圖上找出下降

轉(zhuǎn)折點(diǎn)(如圖4(a))上升轉(zhuǎn)折點(diǎn)(如圖4(b))。圖4(a)可找出最后一個(gè)相關(guān)輸入(LRI)。圖4(b)

值第一次突然增加的地方稱為第一個(gè)相關(guān)輸入(FRI)。第一個(gè)相關(guān)輸入(FRI)和最后一個(gè)相

關(guān)輸入(LRI)之間的時(shí)間段就是該熱工信號(hào)XD的相關(guān)時(shí)段(RP)。

[0047] 步驟S2.2，對(duì)熱工信號(hào)進(jìn)行打標(biāo)，找出欠燒、過燒和正常三種工況時(shí)刻的數(shù)據(jù)，進(jìn)行標(biāo)簽劃分。具體是在所有熱工信號(hào)中找出欠燒、過燒和正常的時(shí)刻點(diǎn)，再選取以該時(shí)刻為

末尾，截取之前一段相關(guān)時(shí)段DR內(nèi)的時(shí)刻點(diǎn)，以這一段序列共同作為一個(gè)樣本。

[0048] 步驟S2.3，提取熱工信號(hào)的統(tǒng)計(jì)特征，統(tǒng)計(jì)特征包括平均值特征和趨勢(shì)特征。[0049] 步驟S2.3.1，提取熱工信號(hào)的平均值特征。[0050] 相關(guān)時(shí)段(RP)中各熱工信號(hào)的平均值與燒結(jié)狀態(tài)密切相關(guān)，通過式(1)計(jì)算相關(guān)時(shí)段(RP)中各熱工信號(hào)的平均值：

[0051][0052] 其中，MD為熱工信號(hào)XD的平均特征，XD為熱工信號(hào)，XD(i)為XD中的第i個(gè)數(shù)據(jù)，DR為熱工信號(hào)XD的RP，LDR是DR的長度，XD∈{CF，RMF，PA，NP，KHT，KTT，MDC，ST}。

[0053] 步驟S2.3.2，提取熱工信號(hào)的趨勢(shì)特征[0054] 熱工信號(hào)趨勢(shì)是燒結(jié)狀態(tài)識(shí)別不可忽視的特征，它定義為由熱工信號(hào)值線性擬合得到的斜率。線性擬合模型如下：

[0055] g(tD)＝atD+b(2)[0056] 其中，a和b分別為擬合直線的斜率和截距，tD為熱工信號(hào)XD對(duì)應(yīng)的時(shí)刻。[0057] 擬合直線g(tD)與XD之間的誤差通過最小化平均擬合損失來最小化：[0058][0059] 其中，tD(i)為熱工信號(hào)XD相關(guān)時(shí)段內(nèi)第i個(gè)數(shù)據(jù)對(duì)應(yīng)的時(shí)刻，以相關(guān)時(shí)段起點(diǎn)為0時(shí)刻，XDR(i)為熱工信號(hào)XD相關(guān)時(shí)段內(nèi)的第i個(gè)數(shù)據(jù)。斜率a的最優(yōu)值為趨勢(shì)特征，本發(fā)明將

熱工信號(hào)XD的趨勢(shì)特征表示為AD。

[0060] 步驟S2.4，提取熱工信號(hào)的動(dòng)態(tài)特征，動(dòng)態(tài)特征包括短時(shí)能量和樣本熵特征。[0061] 步驟S2.4.1，提取短時(shí)能量特征[0062] 短時(shí)能量可以在短時(shí)間內(nèi)分辨出信號(hào)的穩(wěn)定性，在語音信號(hào)處理和識(shí)別中得到了廣泛的應(yīng)用。對(duì)于熱工信號(hào)的短時(shí)能量定義為：

[0063][0064] 其中，En(t)為t時(shí)刻的短時(shí)能量，w()為窗口函數(shù)，Nc為窗口寬度，i表示從t?(Nc?1)時(shí)刻迭代到t時(shí)刻的一個(gè)迭代變量。

[0065] 根據(jù)專家經(jīng)驗(yàn)，不同燒結(jié)狀態(tài)下的熱工信號(hào)穩(wěn)定性存在顯著差異。例如，在欠燒狀態(tài)下，KHT的波動(dòng)比其他狀態(tài)下更為嚴(yán)重。因此，提取RP中熱工信號(hào)的短時(shí)能量作為燒結(jié)狀

態(tài)識(shí)別的特征。

[0066] 當(dāng)矩形窗口w(n)定義為：[0067][0068] 其中，若n時(shí)刻在熱工信號(hào)XD的相關(guān)時(shí)段內(nèi)，則w(n)＝1，否則為0。[0069] 將式(5)代入到式(4)中，RP中熱工信號(hào)的短時(shí)能量ED由下式計(jì)算：[0070][0071] 步驟S2.4.2，提取樣本熵特征[0072] 在故障診斷任務(wù)中，經(jīng)常使用樣本熵來分析信號(hào)的復(fù)雜度或提取相關(guān)特征。同樣，在不同的燒結(jié)狀態(tài)下，熱工信號(hào)的復(fù)雜性也不同，可計(jì)算出RP中熱工信號(hào)的樣本熵來描述

它。

[0073] 對(duì)于時(shí)序熱工信號(hào) 可以得到一組按序號(hào)順序排列的m維向量向量Um(i)與Um(j)之間的最大距離定義為：

[0074][0075] 其中，Um(j)為Um向量中的第j個(gè)元素，i，j，k為Um向量中的元素位置。[0076] 此處的i與上文的i意思相同，i與j元素位置既可以相同也可以不同，上式只作為一個(gè)最大距離的定義計(jì)算方法，表示如何計(jì)算m維向量之間的最大距離，k表示從1到m?1的

一個(gè)迭代量。上式表示計(jì)算XD(i)與XD(j)兩個(gè)向量之間的最大距離，先求m維每個(gè)維數(shù)之間

的差的絕對(duì)值，然后m個(gè)絕對(duì)值中的最大值就表示最大距離。

[0077] 對(duì)于給定的向量Um(i)，滿足{Um(j)|1≤j≤t?m,j≠i}條件的向量Um(i)和Um(j)之間的最大距離不大于給定閾值η的數(shù)表示為Bi。對(duì)于維數(shù)m，兩個(gè)向量匹配m個(gè)點(diǎn)的概率定義

為：

[0078][0079] 則該熱工信號(hào)的樣本熵為：[0080][0081] 其中，Bm+1為Bm中m維數(shù)取m+1時(shí)的值。[0082] 各燒結(jié)狀態(tài)樣本由MD，AD，ED和SED四個(gè)特征組成，RP中各熱工信號(hào)可表示為{MCF,...,MST,...,SECF,...,SEST}。由此可以得到訓(xùn)練樣本Xtrai由N個(gè)包含{MCF，...，

MST，...，SECF，...，SEST}這些特征的向量組成的一個(gè)矩陣。N為訓(xùn)練樣本個(gè)數(shù)。

[0083] 步驟S3選擇RBF核作為核函數(shù)。根據(jù)式(10)計(jì)算訓(xùn)練樣本的核矩陣K：[0084][0085] 其中，K(i,j)表示核矩陣K中的第i行j列的元素，Xtrain(i)、Xtrain(j)分別為訓(xùn)練樣本Xtrain中的第i個(gè)樣本和第j個(gè)樣本，σ為RBF核中的參數(shù)。

[0086] 步驟S4，一般情況下，用于判別欠燒、過燒和正常三種狀態(tài)的分類器可以表示為即訓(xùn)練數(shù)據(jù)通過映射函數(shù) 映射到RBF核空間后，由分類器進(jìn)行分離，徑向

基(RBF)核函數(shù)能將原始空間映射到無窮維特征空間即RBF核空間。在RBF核空間中，樣本之

間的相關(guān)關(guān)系可由核矩陣表示。其中y表示訓(xùn)練樣本的標(biāo)簽， 表示實(shí)際訓(xùn)練樣本空間到

RBF核空間的映射函數(shù)，映射函數(shù)與核矩陣的關(guān)系為 xi為Xtrain的第i個(gè)

訓(xùn)練樣本的特征向量，xj為Xtrain的第j個(gè)訓(xùn)練樣本的特征向量，T表示ω向量的轉(zhuǎn)置。(xi,yi)

樣本的邊際可定義為：

[0087][0088] 其中，f()表示計(jì)算間隔關(guān)于xi的函數(shù)，γi中定義(xi,yi)樣本的間隔，xi為Xtrain的第i個(gè)訓(xùn)練樣本的特征向量，yi為Xtrain中的第i個(gè)訓(xùn)練樣本的標(biāo)簽。

[0089] 間隔均值可以表示為：[0090][0091] 其中，ω為線性分類器中的系數(shù)；然后通過計(jì)算每個(gè)樣本的間隔與間隔均值之間的差值，得到間隔方差如下：

[0092][0093] yi為Xtrain中的第i個(gè)訓(xùn)練樣本的標(biāo)簽，N為訓(xùn)練樣本個(gè)數(shù)。[0094] 考慮到間隔均值和間隔方差的計(jì)算效率較低，通過縮放將邊緣均值設(shè)置為1。通過最小化邊際方差，優(yōu)化邊際分布，表示ODM的目標(biāo)函數(shù)為：

[0095][0096] 其中，ξi、εi分別為xi樣本的間隔與間隔均值的下界偏差、xi樣本的間隔與間隔均值的上界偏差，S為ODM的稀疏參數(shù)，決定哪些樣本是支持向量，C1和C2為懲罰參數(shù)，C1和C2分

別控制ξi和εi在目標(biāo)函數(shù)中的權(quán)重，C1作為分類器間隔下界錯(cuò)分的懲罰，C2作為分類器間隔

上界錯(cuò)分的懲罰，N為訓(xùn)練樣本個(gè)數(shù)。

[0097] 得到了ODM分類器凸函數(shù)形式，進(jìn)行ODM訓(xùn)練，ODM訓(xùn)練輸入是訓(xùn)練樣本Xtrain和訓(xùn)練樣本標(biāo)簽y，輸出是計(jì)算Xtrain間隔的函數(shù)f()。

[0098] 步驟S5，當(dāng)ODM學(xué)習(xí)訓(xùn)練結(jié)束后，就得到了一個(gè)訓(xùn)練好的分類面，將每個(gè)回轉(zhuǎn)窯數(shù)據(jù)樣本代入式(15)中即可求出樣本到分類面的間隔：

[0099][0100] 其中，Xtrain(j)為第j個(gè)訓(xùn)練樣本，Xtrain(i)為第i個(gè)訓(xùn)練樣本，yj為Xtrain中的第j個(gè)訓(xùn)練樣本的標(biāo)簽，yi為Xtrain中的第i個(gè)訓(xùn)練樣本的標(biāo)簽，K(Xtrain(i),Xtrain(j))為K核矩陣中

訓(xùn)練樣本Xtrain(i)對(duì)應(yīng)的行和訓(xùn)練樣本Xtrain(j)對(duì)應(yīng)列的元素。α為訓(xùn)練后得到的分類面系

數(shù)，f(x)表示計(jì)算間隔關(guān)于x的函數(shù)：

[0101] 之后根據(jù)式(16)計(jì)算間隔均值：[0102][0103] 其中，為間隔均值，∑f(Xtrain(i))為所有訓(xùn)練樣本間隔之和，N為訓(xùn)練樣本個(gè)數(shù)。[0104] 步驟S6，計(jì)算保角變換函數(shù)具體步驟為：[0105][0106] 其中，S是ODM的稀疏參數(shù)，f(Xtrain)和 分別表示間隔和間隔均值。Kn和Kf為特征空間中控制不同區(qū)域體積膨脹系數(shù)的懲罰參數(shù)，Kn控制 區(qū)域內(nèi)的體積膨

脹，Kf控制 區(qū)域內(nèi)的體積膨脹。e為自然常數(shù)。NIR為訓(xùn)練樣本的不平衡

比(IR)，控制不同標(biāo)簽樣本的空間膨脹系數(shù)定義為：

[0107][0108] 其中，Xtrain表示訓(xùn)練樣本，X+為多數(shù)類樣本，X?為少數(shù)類樣本。n+和n?分別表示多數(shù)樣本個(gè)數(shù)和少數(shù)樣本個(gè)數(shù)。在本實(shí)例中，多數(shù)類樣本為正常燒結(jié)狀態(tài)樣本，少數(shù)類樣本為過

燒和欠燒燒結(jié)狀態(tài)樣本。

[0109] 步驟S7，求得向量d＝(d1,d2,...,dN)T表示由公式(17)計(jì)算得到的一個(gè)N維向量，di＝D(Xtrain(i)),i＝1,…,N。i＝1,…,N時(shí)，di表示N維向量d中的d1,d2,...,dN個(gè)元素，N為訓(xùn)

T T

練樣本個(gè)數(shù)，dd是d與d 的矩陣相乘，結(jié)果是一個(gè)N行N列的正(半)定矩陣。修正后的新核矩

T

陣可以由下列矩陣形式保角變換公式求得，為dd和K組成的一個(gè)哈達(dá)瑪積：

[0110] Knew＝ddT*K(19)[0111] 其中，Knew為通過保角變換修正后的新的核矩陣。[0112] 由于ODM的原有效核矩陣是一個(gè)正(半)定矩陣。根據(jù)舒爾定理，可以很容易地證明它是一個(gè)正(半)定矩陣，從而證明它是一個(gè)有效的核矩陣(Mercer定理)。

[0113] 步驟S8，將Knew替換步驟S3中公式(10)計(jì)算得到的核矩陣K，再進(jìn)行ODM訓(xùn)練，可以得到分類器 由于ODM分類器屬于二分類。本實(shí)例中有欠燒、過燒和正常

三個(gè)標(biāo)簽，要重復(fù)進(jìn)行上述S3?S7步驟兩次，訓(xùn)練出兩個(gè)分類器。第一次訓(xùn)練將欠燒和過燒

的樣本標(biāo)簽設(shè)為1，正常樣本標(biāo)簽設(shè)為?1，得到分類器一。第二次訓(xùn)練將正常樣本剔除，在欠

燒和過燒之間訓(xùn)練分類器。將欠燒樣本標(biāo)簽設(shè)為1，過燒樣本設(shè)為?1，得到分類器二。通過兩

個(gè)分類器，特征提取后熱工信號(hào)的數(shù)據(jù)的燒結(jié)狀態(tài)可以得到有效的識(shí)別。將特征提取后熱

工信號(hào)的數(shù)據(jù)替換掉分類器中的Xtrain，求出對(duì)應(yīng)的樣本標(biāo)簽。先通過分類器一識(shí)別出燒結(jié)

狀態(tài)是正常還是異常(欠燒、過燒)。若為異常燒結(jié)狀態(tài)，再通過分類器二判斷出是欠燒還是

過燒。若是欠燒則需要采取相關(guān)措施，如適當(dāng)增加喂煤量。若是過燒也需要采取相關(guān)措施，

如適當(dāng)減少喂煤量。

[0114] 本發(fā)明設(shè)計(jì)了一個(gè)新的保角變換函數(shù)，并在ODM分類器的基礎(chǔ)上進(jìn)行核修正。針對(duì)類別不均衡的數(shù)據(jù)有更好的分類效果和更好的泛化性能。在保角變換函數(shù)構(gòu)造中，加入優(yōu)

化參數(shù)Kn和Kf，可以放大初始分界附近區(qū)域的膨脹系數(shù)，從而間接提高類邊界的空間分辨

率，可以有效地提高分類器的數(shù)據(jù)可分性和泛化性能。引入?yún)?shù)NIR來反映訓(xùn)練數(shù)據(jù)的IR，可

以對(duì)少數(shù)樣本自動(dòng)賦值。這樣增加了這些少數(shù)樣品對(duì)最終分類器的影響?？梢跃徑庥捎跀?shù)

據(jù)不平衡而導(dǎo)致的少數(shù)類分離偏移和檢測(cè)精度下降的問題。

[0115] 分別利用統(tǒng)計(jì)特征和本發(fā)明提出的方法兩種特征提取方法分別進(jìn)行欠燒、過燒、正常三類數(shù)據(jù)進(jìn)行特征提取，并記錄各分類模型的性能。對(duì)比的方法有mcSM、mcODM、ODM、

PIBoost、FIECOC、DOO、DECOC、WKSMOTE、BAdaCos、LCSDM、FocalNN。每個(gè)分類器使用不同特

征的實(shí)驗(yàn)重復(fù)30次，F(xiàn)1得分的均值和標(biāo)準(zhǔn)差如表1所示。括號(hào)內(nèi)的數(shù)字代表標(biāo)準(zhǔn)差，粗體數(shù)

據(jù)是最好的結(jié)果。

[0116] 表1不同分類器使用分別使用兩種特征提取方法所得到平均識(shí)別精度的比較[0117][0118] 對(duì)比使用不同特征的燒結(jié)狀態(tài)下各模型的識(shí)別精度，可以看出，在大多數(shù)情況下，引入動(dòng)態(tài)特征可以將整體識(shí)別精度提高2％以上。說明本發(fā)明中動(dòng)態(tài)特征的引入使燒結(jié)狀

態(tài)描述更加全面，可以有效提高燒結(jié)狀態(tài)樣品的可分性。從而證明了所提取的動(dòng)態(tài)特征的

有效性。

[0119] 從各燒結(jié)狀態(tài)的識(shí)別精度可以看出，由于欠燒樣品與正常樣品的可分性較低，因此mcSM獲得的欠燒狀態(tài)識(shí)別率最低。通過優(yōu)化訓(xùn)練樣本的邊緣分布，mcODM、LCSDM和KMODM

可以獲得更合理的分選器，提高欠燒樣本的檢出率。特別是本發(fā)明的KMODM繼承了ODM強(qiáng)大

的分類能力，通過修改其內(nèi)核函數(shù)提高了處理類不平衡數(shù)據(jù)的能力。因此，它的欠燒檢出率

比其他方法至少提高了4％。

[0120] 此外，由于mcSM、mcODM和ODM沒有考慮到數(shù)據(jù)不均衡的影響，所以它們對(duì)正常情況的識(shí)別率遠(yuǎn)遠(yuǎn)高于對(duì)異常情況的識(shí)別率。但是，考慮訓(xùn)練數(shù)據(jù)分布不均衡的KMODM等分類

器可以顯著提高兩種異常情況的識(shí)別精度，獲得更高的整體檢出率。其中FIECOC、DECOC、

LCSDM和KMODM的整體識(shí)別正確率均在86％以上，特別是提出的KMODM的識(shí)別正確率在90％

左右。出現(xiàn)這種情況的原因是，反映不平衡度的參數(shù)N被嵌入到所提出的保角變換函數(shù)中。

使用保形函數(shù)來修改RBF核的ODM，膨脹系數(shù)小的少數(shù)類樣本位于核空間的地區(qū)被壓縮，分

類面被迫向多數(shù)類地區(qū)偏移，因此少數(shù)類的邊緣分布優(yōu)化和提高檢測(cè)精度。其他依賴于數(shù)

據(jù)預(yù)處理或代價(jià)敏感方法的分類器無法優(yōu)化樣本在核空間中的空間分布，得到的分類超平

面更接近于少數(shù)類，因此很難準(zhǔn)確識(shí)別測(cè)試數(shù)據(jù)集中的異常情況。

[0121] 圖2顯示了在回轉(zhuǎn)窯欠燒、過燒、正常三種樣本數(shù)據(jù)上，KMODM方法與ODM方法的比較。樣本的邊際分布可以反映分類器的泛化性能。邊際分布越好，模型的泛化性能越好。

KMODM和ODM各燒結(jié)狀態(tài)的邊緣分布如圖3所示。圖中x軸表示KMODM和ODM得到的訓(xùn)練樣本的

間隔，y軸表示每個(gè)間隔的統(tǒng)計(jì)頻率。由此可見，KMODM得到的異常情況的邊緣分布要大于

ODM得到的異常情況的邊緣分布。KMODM正常狀態(tài)的邊緣分布與ODM相似。也就是說，本發(fā)明

KMODM的方法可以實(shí)現(xiàn)更好的邊緣分布，對(duì)于異常情況的識(shí)別將會(huì)更加準(zhǔn)確。

[0122] 圖3表示在使用不均衡率為10的半月牙數(shù)據(jù)集上，KMODM和ODM學(xué)習(xí)的分類面的比較，以說明所提模型的有效性。在該圖中，ODM的分隔符嚴(yán)重傾向于少數(shù)類。然而，所提出的

KMODM采用核修正法，因此可以減輕分類器的偏度。從而優(yōu)化了邊緣分布和少數(shù)類的檢出

率。

[0123] 此外，為了驗(yàn)證所提出的KMODM模型對(duì)其他不平衡分類任務(wù)的適用性，還對(duì)UCI標(biāo)準(zhǔn)數(shù)據(jù)集的部分實(shí)驗(yàn)進(jìn)行了記錄。本發(fā)明采用F1評(píng)分來評(píng)估不同類別檢出率的平衡程度，

計(jì)算方法為:

[0124][0125] 式中，TP為真陽性，F(xiàn)N為假陰性，F(xiàn)P為假陽性，recall為召回率，pre為準(zhǔn)確率。[0126] 本實(shí)例還選擇了5個(gè)多類標(biāo)準(zhǔn)UCI數(shù)據(jù)集來評(píng)估KMODM的性能。實(shí)驗(yàn)結(jié)果如表2所示。可以看出，mcSM、mcODM和ODM對(duì)大多數(shù)多類不平衡數(shù)據(jù)的結(jié)果都不理想。其他為不平衡

數(shù)據(jù)設(shè)計(jì)的分類器可以實(shí)現(xiàn)更高的平衡檢出率和更好的F1分?jǐn)?shù)。提出的KMODM算法在大多

數(shù)數(shù)據(jù)集上都取得了最好的結(jié)果。通過分析KMODM在二維可視化數(shù)據(jù)和UCI標(biāo)準(zhǔn)數(shù)據(jù)集上的

性能，可以得出KMODM模型能夠有效地處理不平衡數(shù)據(jù)分類任務(wù)的結(jié)論。

[0127] 表2基于RBF核的KMODM與其他算法在F1評(píng)價(jià)標(biāo)準(zhǔn)在多類數(shù)據(jù)集上的均值和標(biāo)準(zhǔn)差比較

[0128]Dataset hayes newthy balance car thyroid

mcSM 78.3±2.0 91.5±2.8 65.7±2.5 95.2±2.8 63.1±2.3

mcODM 81.2±1.9 92.3±2.5 67.4±1.9 96.0±2.3 65.4±2.2

ODM 78.7±2.4 90.6±2.9 66.7±1.8 95.0±1.5 63.5±1.6

PIBoost 78.4±2.0 93.3±2.2 68.4±1.9 96.3±2.4 68.6±2.8

FIECOC 78.1±2.3 92.5±3.1 68.8±2.1 97.2±1.7 68.4±2.0

DOO 80.5±1.7 93.7±2.6 67.4±1.7 97.9±1.3 69.5±1.4

DECOC 81.7±2.1 94.3±3.0 70.6±2.3 98.4±2.7 70.5±2.0

WKSMOTE 80.2±2.6 92.6±3.5 68.2±3.0 97.1±2.2 67.7±2.5

BAdaCost 82.1±2.3 94.6±1.8 72.0±2.1 97.7±2.3 69.8±2.6

LCSDM 83.5±1.9 95.1±1.8 69.0±2.4 97.0±1.4 68.9±1.9

FocalNN 82.7±1.5 95.4±2.0 69.5±2.7 98.9±1.9 69.3±2.0

KMODM 85.9±2.0 97.9±2.1 69.7±1.8 99.1±1.2 72.9±6.3

[0129] 以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍

內(nèi)。