单分类SVM的特征选择和参数同步优化方法技术

本发明专利技术公开了一种单分类SVM的特征选择和参数同步优化方法。首先构造随机漂移粒子群优化‑支持向量机(RDPSO‑SVM)系统，然后采用RDPSO算法同步优化最优特征子集和支持向量数据描述(SVDD)中的参数，最后应用RDPSO‑SVM系统对待检测的织物图像进行疵点判别。本发明专利技术所述的方法可满足织物疵点检测的准确率和实时性要求。

【技术实现步骤摘要】

：本专利技术属于模式识别
，特别涉及一种单分类SVM的特征选择和参数同步优化方法。
技术介绍
：在纺织行业中，织物在织造过程中产生的疵点严重影响着产品的质量。纺织企业可以通过对疵点检测人员的技能培训、灌输质量意识和增加检测人员数等方法来降低疵点对产品质量的影响，但随着机器视觉的发展，基于机器视觉进行织物疵点检测方法已经成为企业提高产品质量和降低生产成本的有效途径。对于织物疵点检测，可以认为是“异常检测”或是“单分类问题”。在织物加工过程中，绝大多数情况下是正常(无疵点)样本，疵点样本的数目很少。并且，疵点的类型会有很多，如断纱、破洞、油污等，其表现在织物上的形状、大小、方向不一，即不同类型疵点的纹理特征也会不同。支持向量数据描述(SVDD)是基于超球体思想提出的一种单分类支持向量机(SVM)方法，可以用于解决织物疵点检测问题。在模式识别领域，研究在众多提取的特征中选择最优的特征子集的方法是构造分类和预测模型的一个重要研究方向。降低特征的维数对于提高预测的准确率和减少模型的复杂度具有重要的意义。另一方面，SVDD中的参数值的确定也能够提高其预测准确率。在构造SVDD时，惩罚参数C和核函数参数(如高斯尺度参数σ)需要先进行优化。因此，选择最优的特征子集和参数的优化对于SVDD的预测准确率的提高具有重要影响。而特征选择和参数优化又相互作用、相互影响，所以研究特征选择和参数同步优化方法对于提高SVDD的预测能力具有重要意义。公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
：本专利技术的目的在于提供一种单分类SVM的特征选择和参数同步优化方法，从而克服上述现有技术中的缺陷。为实现上述目的，本专利技术提供了一种单分类SVM的特征选择和参数同步优化方法，其步骤为：(1)获取训练用织物图像，提取特征；(2)构造和训练RDPSO-SVM系统，同步优化特征子集和SVDD参数；(3)应用RDPSO-SVM系统对待检测的织物图像进行疵点判别。优选地，上述技术方案中，步骤(2)中构造和训练的具体步骤为：(2.1)构造二进制编码的RDPSO(BRDPSO)；(2.2)构造适应度函数；(2.3)构造RDPSO-SVM系统；(2.4)训练RDPSO-SVM系统，同步优化特征子集和SVDD参数。优选地，上述技术方案中，步骤(3)中，进行检测判别的步骤为：(3.1)对于待检测的织物图像，提取特征，选择最优特征子集；(3.2)应用RDPSO-SVM系统进行疵点判别。与现有技术相比，本专利技术具有如下有益效果：在众多的特征中选择最优的特征子集，能有效降低系统的复杂度，提高系统检测速度，保证系统实时性要求；同步优化特征子集和SVDD参数，能效提高系统检测准确率。附图说明：图1为本专利技术单分类SVM的特征选择和参数同步优化方法的流程示意图。具体实施方式：下面对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。如图1所示，单分类SVM的特征选择和参数同步优化方法，其步骤为：(1)获取训练用织物图像，提取特征；对于训练用织物图像，应用统计法(如自相关函数、共生矩阵和数学形态法等)和频域法(如傅里叶变换、小波变换和Gabor变换等)，提取几何和纹理特征；(2)构造和训练RDPSO-SVM系统，同步优化特征子集和SVDD参数；(2.1)构造二进制编码的RDPSO(BRDPSO)；RDPSO算法是在PSO算法基础上，根据在随机标准有限温度下外部电场的金属导体自由电子模型而提出的优化方法；在优化过程中，粒子可像一个在导体的外部电场中移动的电子，其运动可由随机的热运动和受电场影响的漂移运动共同组成；RDPSO算法已被证明可保证全局收敛，能找到全局最优解；假设粒子的搜索空间(粒子的维数)为D，粒子的个数为M。第n时刻，粒子的速度为位置为第n+1时刻，第i个粒子的第j维(j＝1，2，…，D)的速度和位置的更新公式如下：vi,jn+1=α|Cjn-xi,jn|φi,jn+1+β(pi,jn-xi,jn),---(1)]]>xi,jn+1=xi,jn+vi,jn+1---(2)]]>其中α和β分别为热系数和漂移系数；为一个(0，1)区间上正态分布的随机数；Cn为平均最好位置，可计算如下：Cn=(C1n,...,CDn)=1MΣi=1MPin---(3)]]>其中为粒子收敛过程中的吸引子，在n次迭代时，其坐标为：pi,jn=ri,jnPi,jn+(1-ri,jn)Gjn---(4)]]>其中为一个(0，1)区间上均匀分布的随机数；第n时刻，每个粒子的个体最好位置当n＝1时，粒子的个体最好位置即为该粒子的初始位置；否则按下式更新每个粒子的个体最好位置(假设适应度函数F的值越大为越优)：Pin=xin,ifF(xin)>F(Pin-1)Pin-1,ifF(xin)≤F(Pin-1)---(5)]]>第n时刻，整个粒子群的全局最好位置其值为其中g由下式确定：g=argmax1≤i≤MF(Pin)---(6)]]>在RDPSO基础上，可提出二进制编码的RDPSO算法(BRDPSO)；BRDPSO是RDPSO算法用于离散空间搜索的版本；在BRDPSO中，粒子的速度更新公式与RDPSO算法相同(式(1))，但式中和为0或1；粒子速度值可被sigmoid函数映射到[0,1]区间：s(vi,jn)=11+e-vi,jn---(7)]]>粒子的位置通过下式进行更新：xi,jn=1,ifrand()≤s(vi,jn)0,otherwise---(8)]]>其中rand()为一个(0，1)区间上均匀分布的随机数；在BRDPSO算法中，平均最好位置Cn的计算方法与RDPSO算法(式(3))也不同；Cn的每一维的值由群体中每个粒子个体最好位置的对应维上0或1出现的次数决定；具体来说，就是首先统计所有粒子的上0或1出现的次数，如果0的次数多，则的值为0；如果1的次数多，的值为1；如果0或1的次数相同，随机取0或1；在BRDPSO算法中，吸引子可以通过类似遗传算法中的交叉操作获得，即通过个体最好位置和全局最好位置Gn的交叉产生两个子代，随机地选择一个子代作为(2.2)构造适应度函数；支持向量机(SVM)是一种统计学习理论基础上的机器学习方法，以结构风险最小化为目的；SVM能够避免传统的统计模式识别方法如神经网络、决策树等，局部极值、过学习和欠学习等问题，能有效提升系统的泛化能力，保证系统的检测准确率要求。一般情况下，SVM用于解决二分类问题，即在两类样本中寻找一个最优超平面，不仅能够将两类样本准确地区分开，而且该超平面离两类样本中最近的那些样本点距离最远。而对于织物疵点检测，可以认为是“异常检测”或是“单分类问题”。在织物加工过程中，绝大多数情况下是正常(无疵点)样本，疵点样本的数目很少。并且，疵点的类型会有本文档来自技高网...

【技术保护点】
一种单分类SVM的特征选择和参数同步优化方法，其步骤为：(1)获取训练用织物图像，提取特征；(2)构造和训练RDPSO‑SVM系统，同步优化特征子集和SVDD参数；(3)应用RDPSO‑SVM系统对待检测的织物图像进行疵点判别。

【技术特征摘要】
1.一种单分类SVM的特征选择和参数同步优化方法，其步骤为：(1)获取训练用织物图像，提取特征；(2)构造和训练RDPSO-SVM系统，同步优化特征子集和SVDD参数；(3)应用RDPSO-SVM系统对待检测的织物图像进行疵点判别。2.根据权利要求1所述的方法，其特征在于：步骤(2)中构造和训练的具体步骤为：(2.1)构造二进制编码的RDP...

【专利技术属性】
技术研发人员：李岳阳，蒋高明，丛洪莲，夏风林，张爱军，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32