一种基于模糊支持向量机和加权投票的非侵入电信号检测方法技术

一种基于模糊支持向量机和投票的非侵入电信号检测方法，包括：将历史和实时数据输入模糊支持向量机110，将分类结果输入权重投票算法111，按投票结果，得到飞行器信号分类结果。进行特征提取时，先输入已知类别的训练样本，构建FSVM分类器模型，输入未知类别的电信号样本，根据样本数量分配FSVM分类器205，将输出的特征图输入FSVM分类器，用分类算法按加权值进行投票，按分类器权重做权加计票，计票并将得票最多的类别作为分类结果。当判断训练不收敛时，返回FSVM环节，调整分类器和票权参数，重复过程。该方法有效解决了提取浅层特征、梯度消失、特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。器多尺度信号分类和识别的准确率。器多尺度信号分类和识别的准确率。

【技术实现步骤摘要】
一种基于模糊支持向量机和加权投票的非侵入电信号检测方法


[0001]本专利技术涉及一种基于模糊支持向量机和加权投票的非侵入电信号检测方法。

技术介绍

[0002]飞行器信号的识别与分类是飞行器健康管理策略的核心，通过对复杂系统当前的健康状态进行判别，有效找到故障发生原因及来源，提出一系列维护保障相关的建议或决策。飞行器健康管理策略在航空航天工业领域受到广泛认同和应用，为航天器的安全性和可靠性提供了巨大保障，将成为航空航天工业发展的一种必然趋势。
[0003]但是，飞行器信号识别与分类方法中的传统机器学习算法，缺乏对高维数据的特征提取能力，在飞行器信号分类问题中的分类准确率，分类速度及其他各项性能指标有所局限。
[0004]对于复杂电信号，常规线性分类器常常无法满足线性可分条件，分类结果是非线性分离超曲面，表示抽象且计算复杂。

技术实现思路

[0005]为了解决现有飞行器信号分类和识别方法存在信号尺度识别局限性问题，本专利技术提供了一种基于低维度飞行器信号分类和识别方法，其有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器低维度信号分类和识别的准确率。
[0006]本专利技术采用了以采用核函数进行超平面构建的模糊支持向量机方法，通过映射的方法，模糊支持向量机算法使用核函数将航天器供电系统负载电信号数据从低维样本空间映射到高维特征空间，构建具有最大间隔的分类超平面，提高该类电信号数据的可分性，从而达到对电信号数据的识别分类，最终实现航天器供电系统的健康状态的判读，实现对故障信号的诊断及进一步预测。
附图说明
[0007]图1显示了根据本专利技术的一个实施例的基于模糊支持向量机和加权投票的非侵入电信号检测方法的流程图。
[0008]图2显示了根据本专利技术的一个实施例的飞行器信号基于模糊支持向量机的特征提取流程图。
具体实施方式
[0009]根据本专利技术的一个实施例的飞行器信号分类和识别方法的流程图如图1所示，其包括：
[0010]当飞行器信号要进行故障判别工作时(101)，首先将飞行器中复杂设备的数据进行信号采集，并传输给传感器(102)，将传感器得到的原始信号进行信号预处理(103)。然后
进行信号来源判断流程，对信号来源进行判断(104)，若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，然后将历史数据及其对应的标注构建成专家数据库(108)；若信号来源是实时数据，则进入实时数据读取环节(109)。将历史数据和实时数据共同输入模糊支持向量机FSVM(110)，通过FSVM分类器进行分类，将提取得到的特征送入投票算法模块(111)，得到飞行器信号分类结果(112)，再进入收敛判断流程(113)，若判定分类结果的损失函数在训练中达到收敛，则输出实时故障诊断结果(114)；若判定分类结果的损失函数在训练中没有收敛，则返回模糊支持向量机(110)，更新FSVM分类器进行分类(110)的参数，并再次进行权重投票(111)和信号分类(112)过程，直到判断训练收敛，完成训练，输出实时故障诊断结果(114)。
[0011]支持向量机算法(Support Vector Machine，SVM)在解决小样本、非线性及高维数据的分类识别中具有独特的优势，该方法是基于最小风险理论的。在本文的应用中，通过映射的方法，支持向量机算法使用核函数将航天器供电系统负载电信号数据从低维样本空间映射到高维特征空间，构建具有最大间隔的分类超平面，提高该类电信号数据的可分性，从而达到对电信号数据的识别分类，最终实现航天器供电系统的健康状态的判读，实现对故障信号的诊断及进一步预测。
[0012]在航天器供电系统负载电信号的分类识别中，支持向量机算法的第一步就是寻找将电信号数据映射到高维空间的核函数，该核函数可将低维的电信号数据映射至高维空间中，核函数的引入使得对此电信号识别分类的支持向量机算法的适用性增强。
[0013]支持向量机算法是一种典型的两分类算法，在本文中采用一对一的分类方法，即每两个类别样本之间建立一个支持向量机分类器，假设有n个类别，可创建n(n
‑
1)/2个分类器，最后又各分类器投票得到最终分类结果，是被已验证的具有较好分类性能的方法。
[0014]支持向量机模型的目标是获得最大间隔的分类超平面，通过将航天器供电系统负载电信号的映射到线性可分的高维空间实现识别分类，假设有N个训练样本：
[0015]{x1，y1}，
…
，{xN，y
N
}，
[0016]其中xi表示样本空间向量，yi代表类别，其算法基本原理如下：
[0017][0018]其中δ
m
是超平面间隔，是电信号样本的特征属性，ω代表多维向量，b代表间隔实数，s.t.是数学符号，意为使得(与qed等类似)。
[0019]以上问题可以简化为求解约束最优化问题：
[0020][0021]其中L()为拉格朗日函数符号，ω
T
为超平面法向量的转置，||ω||为向量长度。
[0022]对于复杂电信号，常规线性分类器常常无法满足线性可分条件，分类结果是非线性分离超曲面，表示抽象且计算复杂。因此使用非线性分类器，先将样本数据映射到特定高维空间，使其满足可分性条件，然后在该高维空间构造最大间隔超平面，通过计算内积的方
式，使得正样本在该平面的正方向(以平面法向量为标准)，负样本在该平面的反方向，并满足最大间隔条件。
[0023]由于高维内积计算复杂，会引发维度灾难，难以应对大样本数据，而对于当前的问题，我们需要的只是两个向量在新的映射空间中的内积结果，映射函数到底是怎么样的其实并不需要知道。于是这样就引入了核函数的概念。核函数除了能够完成特征映射，而且还能把特征映射之后的内积结果直接返回。即把高维空间得内积运算转化为低维空间的核函数计算。
[0024]首先，本专利技术支持向量机的核函数采用高斯核函数即径向基核函数来进行空间的映射：
[0025][0026]其中x为参与内积的超平面法向量，x
i
为待判断的样本向量，δ为高斯核函数常量，K(x，x
i
)即为x与x
i
在高维空间的内积。
[0027]对于一个输入元组，可以写成：
[0028]y
i
(WX
i
+b)≥0(4)。
[0029]W为超平面法向量，b为超平面偏置量，X
i
、y
i
为样本数据坐标。
[0030]对于所有元组都成立。其中，H1和H2分别为大边缘，在它们均能分开正负样本且过样本点，所求的最大边缘超平面即在H1和H2的中心且与其平行。落在大边缘上的元组使(4)式等号成立，称这些元组为支持向量。支持向量距离最大边缘超平面距离相等。支持向量机的基本原理就是找到这个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞行器信号分类和识别方法，其特征在于包括：A1)利用传感器采集飞行器中复杂设备的飞行器信号(102)，A2)将传感器得到的原始飞行器信号进行信号预处理(103)，A3)对飞行器信号进行信号来源判断(104)，其中：当信号来源是历史数据时，读取历史数据(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，然后将历史数据及其对应的标注构建成专家数据库(108)；当信号来源是实时数据时，则读取实时数据(109)，A4)将历史数据和实时数据共同输入模糊支持向量机FSVM，通过FSVM的分类器进行分类(110)，A5)将提取得到的特征送入投票算法模块进行投票(111)，A6)根据投票的结果确定飞行器信号的分类结果(112)，A7)进行收敛判断(113)，其中：当判定分类结果的损失函数在训练中达到收敛时，输出实时故障诊断结果(114)；当判定分类结果的损失函数在训练中没有收敛时，则返回步骤A4，，并更新FSVM的分类器的参数，并再次进行步骤A5和A6，直到判断损失函数收敛，完成训练，输出实时故障诊断结果(114)。2.根据权利要求1所述的飞行器信号分类和识别方法，其特征在于：所述分类器采用一对一的分类方法，即每两个类别样本之间建立一个支持向量机分类器，对于n个类别，创建n(n
‑
1)...

【专利技术属性】
技术研发人员：李可，张竞乘，李鹏蛟，武昊鹏，阚艳，庞丽萍，杨顺昆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：