CN111582350B - 一种基于AdaBoost的复合材料损伤识别方法及系统 - Google Patents

一种基于AdaBoost的复合材料损伤识别方法及系统 Download PDF

Info

Publication number
CN111582350B
CN111582350B CN202010361843.XA CN202010361843A CN111582350B CN 111582350 B CN111582350 B CN 111582350B CN 202010361843 A CN202010361843 A CN 202010361843A CN 111582350 B CN111582350 B CN 111582350B
Authority
CN
China
Prior art keywords
training
classification
damage
data
weak classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010361843.XA
Other languages
English (en)
Other versions
CN111582350A (zh
Inventor
盛文娟
刘宇韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202010361843.XA priority Critical patent/CN111582350B/zh
Publication of CN111582350A publication Critical patent/CN111582350A/zh
Application granted granted Critical
Publication of CN111582350B publication Critical patent/CN111582350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于AdaBoost的复合材料损伤识别方法及系统，包括，采集复合材料损伤的声发射信号并进行特征提取，分别获得训练样本数据、测试样本数据和对应损伤类别数据；利用训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；对训练模型进行训练，利用过滤因子控制弱分类器生成的识别错误率，直至无法找到满足条件的弱分类器时，停止训练，输出损伤识别模型；将测试样本数据导入损伤识别模型内，若正确识别实际损伤类型，则完成优化；利用优化后的损伤识别模型识别复合材料损伤数据并输出识别结果。本发明方法通过采用距离权重更新模型，利用过滤因子对弱分类器的生成进行控制，增强了鲁棒性，提高了分类准确率。

Description

一种基于AdaBoost的复合材料损伤识别方法及系统
技术领域
本发明涉及复合材料损伤识别与分类的技术领域，尤其涉及一种基于AdaBoost的复合材料损伤识别方法及系统。
背景技术
AdaBoost是一种迭代算法，其针对于同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的强分类器，其算法本身是通过改变数据分布来实现的，它根据每次训练集之中的每个样本的分类是否正确，以及上次的总体分类的准确率来确定每个样本的权值，将修改过权值的新数据集送给下层分类器进行训练，将每次训练得到的分类器融合起来作为最后的决策分类器。
当今用于分类的AdaBoost算法的方法主要是利用分类结果的对错减小或增大样本的权重，以在后续迭代中使分类器更加偏重分错的样本，样本权重更新的依据和更新方式都较为单一，生成的弱分类器多样性欠缺，且弱分类器之间错误率悬殊时大量弱分类器并不能在最终决策中做出贡献。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于AdaBoost的复合材料损伤识别方法，能够解决多种较复杂的损失数据且相互关联而无法实现较高准确率的多分类问题，克服普通的AdaBoost算法弱分类器多样性不足的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，采集复合材料损伤的声发射信号并进行特征提取，分别获得训练样本数据、测试样本数据和对应损伤类别数据；利用所述训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；对所述训练模型进行训练，利用过滤因子控制弱分类器生成的识别错误率，直至无法找到满足条件的所述弱分类器时，停止训练，输出损伤识别模型；将所述测试样本数据导入所述损伤识别模型内，若正确识别实际损伤类型，则完成优化；利用优化后的所述损伤识别模型识别复合材料损伤数据并输出识别结果。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：所述满足条件包括，当所述识别错误率在不小于σ最小值的情况下，同时满足小于0.5和小于k倍第一个所述弱分类器的所述识别错误率。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：将当前所述弱分类器生成的所述识别错误率与所述第一个弱分类器的所述识别错误率的比值定义为所述过滤因子；其中，所述过滤因子取值范围大于1且小于2。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：利用所述过滤因子还包括，当第二次分类时，同时满足所述识别错误率小于0.5且小于所述第一个弱分类器与所述过滤因子乘积条件，则生成新的所述弱分类器；重复生成所述弱分类器的分类步骤，直至无法找到所述满足条件的所述弱分类器，停止分类；所述弱分类器在分类时对所述训练样本数据分别生成分类意见；整合所有生成的所述弱分类器的所述分类意见，分别标记为相同分类意见和不同分类意见。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：所述训练模型基于所述训练样本数据与所述分类平面距离将所述训练样本数据划分为三种类型，包括，最难型数据、较难型数据和简单型数据；所述最难型数据包括，被赋予较大权重和距离较小的样本数据；所述较难型数据包括，被赋予中等大小权重和距离中等的所述样本数据；所述简单型数据包括，被赋予较小权重和距离最大的所述样本数据。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：所述加权最小二乘支持向量机利用划分的所述三种类型对相同的所述训练样本数据得到不同的分类结果，包括，
Figure GDA0003909361540000021
其中，vi：样本的权重，c1、c2：参数，di：第i个样本与分类平面之间的距离。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：训练所述训练模型包括，对所述训练模型分别输入带标签的训练样本{(x1,y1),…,(xN,yN)}、加权LSSVM中的惩罚因子C、核宽参数初始值σini、搜索步长σstep、最小值σmin、过滤因子k和权重模型参数c1、c2；初始化输入的数值，训练样本初始权重
Figure GDA0003909361540000031
加权LSSVM初始权重
Figure GDA0003909361540000032
所述训练模型进行迭代处理，迭代次数t＝1、2、…、T；迭代完成，输出所述损伤识别模型
Figure GDA0003909361540000033
其中，xi：所述训练样本数据，yi：训练样本标签，ht：所述弱分类器，αt：权重。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：所述迭代处理包括，利用所述加权LSSVM在当前样本权重分布下对所述训练样本数据进行分类，得到所述弱分类器；所述训练模型计算所述弱分类器的所述识别错误率
Figure GDA0003909361540000034
其中，εt：所述识别错误率，ωi t：当前样本权重分布；当t＝1时，若ε>0.5，则σ减小一个步长σstep，重新生成所述弱分类器；当t>1时，若ε>0.5或ε>kε1，则σ减小一个步长σstep，重新生成所述弱分类器；当σ<σmin时，设置t＝T-1并结束迭代；计算所述弱分类器权重
Figure GDA0003909361540000035
更新训练样本权重
Figure GDA0003909361540000036
其中，Ct：归一化因子；计算所述训练样本数据得到所述分类平面的距离，根据新型权重模型更新所述加权LSSVM权重；重置σ＝σmin，停止迭代。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：计算所述训练样本数据与所述分类平面的距离包括，
|di|＝|wTφ(xi)+b|＝|yi-εi|
其中，w为权系数向量，φ(·)为输入空间到高维空间的映射，b为偏置；根据所述距离的大小对所述加权LSSVM设置相应的权重；所述弱分类器参考设置的所述权重大小给出相应的分类结果。
作为本发明所述的一种基于AdaBoost的复合材料损伤识别系统的一种优选方案，其中：包括，采集模块，用于采集样本数据，收集数据信息和分类信息；数据处理模块与所述采集模块相连接，用于接收所述样本数据进行迭代处理，其包括计算单元、调控单元和输出管理单元，所述计算单元用于计算所述识别错误率、所述权重和所述距离，所述调控单元用于读取所述计算单元的计算结果，调整相应的参数再反馈至所述计算单元内进行计算，所述输出管理单元用于输出计算结果数据；分类模块连接于所述输出管理单元，用于接收所述输出管理单元输出的结果数据并对其划分类别，归纳整合不同的数据信息；识别模块与所述分类模块相连接，用于读取、分析、对比所述分类模块内的分类结果，输出识别结果。
本发明的有益效果：本发明方法通过采用距离权重更新模型，根据样本与分类平面之间的距离对样本权重进行三种类型的划分和更新，利用过滤因子对弱分类器的生成进行控制，使得既有少量分类差异又有大量分类共识的一系列弱分类器生成，本发明方法增强了鲁棒性，提高了分类准确率和可靠性，降低经济成本，加强了移植性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的一种基于AdaBoost的复合材料损伤识别方法的流程示意图；
图2为本发明第一个实施例所述的一种基于AdaBoost的复合材料损伤识别方法的弱分类器生成示意图；
图3为本发明第一个实施例所述的一种基于AdaBoost的复合材料损伤识别方法的训练样本数据与平面分类距离示意图；
图4为本发明第二个实施例所述的一种基于AdaBoost的复合材料损伤识别系统的模块结构分布示意图；
图5为本发明第二个实施例所述的一种基于AdaBoost的复合材料损伤识别系统的网络拓扑结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
现有针对Adaboost算法都是采用最小二乘支持向量机、权重模型和弱分类器进行的一个处理，没有采用权重最小二乘支持向量机为AdaBoost产生更多样的弱分类器，弱分类器的丰富多样性才能使得AdaBoost的弱分类器迭加意义得以实现。
参照图1～图3，为本发明的第一个实施例，该实施例提供了一种基于AdaBoost的复合材料损伤识别方法，包括：
S1：采集复合材料损伤的声发射信号并进行特征提取，分别获得训练样本数据、测试样本数据和对应损伤类别数据。其中需要说明的是，特征提取包括：
采用小波包变换对声发射信号进行6层分解；
选取第6层前16个小波包系数，记为E6 j(j＝1,2,…,16)，根据表1计算相关参数作为特征，如下：
表1：特征数据表。
Figure GDA0003909361540000061
训练样本数据和测试样本数据为提取的特征{a1,a2,a3,a4,a5}；
对应损伤类别数据包括，纤维分层、界面脱粘、纤维断裂和无损伤四种状态，在训练模型中分别用1、2、3、4表示。
训练模型基于训练样本数据与分类平面距离将训练样本数据划分为三种类型，包括：
最难型数据、较难型数据和简单型数据；
最难型数据包括，被赋予较大权重和距离较小的样本数据；
较难型数据包括，被赋予中等大小权重和距离中等的样本数据；
简单型数据包括，被赋予较小权重和距离最大的样本数据。
进一步的，加权最小二乘支持向量机(即新型权重更新模型)利用划分的三种类型对相同的训练样本数据得到不同的分类结果，包括，
Figure GDA0003909361540000071
其中，vi：样本的权重，c1、c2：参数，di：第i个样本与分类平面之间的距离。
S2：利用训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型。
S3：对训练模型进行训练，利用过滤因子控制弱分类器生成的识别错误率，直至无法找到满足条件的弱分类器时，停止训练，输出损伤识别模型。本步骤需要说明的是，训练训练模型包括：
对训练模型分别输入带标签的训练样本{(x1,y1),…,(xN,yN)}、加权LSSVM中的惩罚因子C、核宽参数初始值σini、搜索步长σstep、最小值σmin、过滤因子k和权重模型参数c1、c2；
初始化输入的数值，训练样本初始权重ωi 1＝1/N，加权LSSVM初始权重vi 1＝1，i＝1,…,N；
训练模型进行迭代处理，迭代次数t＝1、2、…、T；
迭代完成，输出损伤识别模型
Figure GDA0003909361540000072
其中，xi：训练样本数据，yi：训练样本标签，ht：弱分类器，αt：权重。
具体的，迭代处理包括：
利用加权LSSVM在当前样本权重分布下对训练样本数据进行分类，得到弱分类器；
训练模型计算弱分类器的识别错误率
Figure GDA0003909361540000073
其中，εt：识别错误率，ωi t：当前样本权重分布；
当t＝1时，若ε>0.5，则σ减小一个步长σstep，重新生成弱分类器；
当t>1时，若ε>0.5或ε>kε1，则σ减小一个步长σstep，重新生成弱分类器；
当σ<σmin时，设置t＝T-1并结束迭代；
计算弱分类器权重
Figure GDA0003909361540000081
更新训练样本权重
Figure GDA0003909361540000082
其中，Ct：归一化因子；
计算训练样本数据得到分类平面的距离，根据新型权重模型更新加权LSSVM权重；
重置σ＝σmin，停止迭代。
再进一步的是，计算训练样本数据与分类平面的距离包括：
|di|＝|wTφ(xi)+b|＝|yi-εi|
其中，w为权系数向量，φ(·)为输入空间到高维空间的映射，b为偏置；
根据距离的大小对加权最小二乘支持向量机设置相应的权重；
弱分类器参考设置的权重大小给出相应的分类结果。
满足条件包括：
当识别错误率在不小于σ最小值的情况下，同时满足小于0.5和小于k倍第一个弱分类器的识别错误率；
将当前弱分类器生成的识别错误率与第一个弱分类器的识别错误率的比值定义为过滤因子；
其中，过滤因子取值范围大于1且小于2。
较佳的，利用过滤因子还包括：
当第二次分类时，同时满足识别错误率小于0.5且小于第一个弱分类器与过滤因子乘积条件，则生成新的弱分类器；
重复生成弱分类器的分类步骤，直至无法找到满足条件的弱分类器，停止分类；
弱分类器在分类时对训练样本数据分别生成分类意见；
整合所有生成的弱分类器的分类意见，分别标记为相同分类意见和不同分类意见。
S4：将测试样本数据导入损伤识别模型内，若正确识别实际损伤类型，则完成优化。其中还需要说明的是，损伤识别模型主要识别复合材料的具体损伤类别，包括：
损伤识别模型识别损伤类别并输出识别结果(即1、2、3、4)；
输出的识别结果与对应实际损伤类别(即纤维分层、界面脱粘、纤维断裂和无损伤)进行对比，判断识别结果是否正确；
若对比结果一致，则识别正确，若对比结果不一致，则识别错误。
S5：利用优化后的损伤识别模型识别复合材料损伤数据并输出识别结果。
较佳的，本实施例需要说明的是，本发明方法将基于样本权重和距离权重的最小二乘支持向量机作为AdaBoost算法的弱分类器，最小二乘支持向量机在进行分类时利用基于分类平面距离的权重模型更新样本权重并产生多种弱分类器，构成面向复合材料损伤识别的识别模型，过滤因子(即过滤因子)限制只有与第一个弱分类器相比具有少量差异和大量共识的弱分类器才能生成，对两个权重模型参数和一个动态过滤因子寻优获得一组能够高效配合的弱分类器，使得损伤识别模型能够对其在制造或服役过程中产生的纤维分层、界面脱粘和纤维断裂等损伤类型进行识别。
具体的，利用训练模型(基于分类平面距离的权重最小二乘支持向量机作为弱分类器)对训练样本数据进行训练，搜索权重参数c1和c2，选择准确率高于50％的第一个弱分类器，根据新型权重更新模型更新训练样本数据的权重，计算弱分类器的识别错误率，后续每一个弱分类器的错误率应大于过滤因子与第一个弱分类器的乘积，控制过滤因子利用网格搜索策略搜索出后续准确率最高的弱分类器，根据每一个生成弱分类器的权重计算最终决策(分类结果)。
参照图2，为本实施例提供的一种基于距离加权LSSVM和过滤因子的优化AdaBoost训练方法，具体包括以下步骤：
(1)在AdaBoost框架内输入训练样本数据，导入训练模型；
(2)初始化样本权重和距离权重，利用加权LSSVM计算错误率；
(3)选择满足错误率小于0.5条件时生成的弱分类器作为第一个弱分类器；
(4)分别更新样本权重和距离权重模型，利用加权LSSVM再次计算错误率；
(5)选择满足错误率小于0.5且同时小于过滤因子与第一个LSSVM错误率的乘积条件下生成的弱分类器作为第二个弱分类器；
(6)重复上述步骤，直至生成最后一个弱分类器(即无法找到满足上述条件选择生成弱分类器)；
(7)训练结束，输出最后决策(即分类结果)。
本实施例还需要说明的是，现有AdaBoost算法产生的无数弱分类器都是基于很弱的条件(即错误率小于50％就产生一个弱分类器或漫无目的的生成很多个在最后决策中没有贡献的弱分类器)，算法中的权重模型比较粗略，忽略了每一次分类结果中的距离信息，各个弱分类器在生成时彼此没有参照，导致生成的弱分类器错误率相差较大，在最终决策中大量弱分类器没有贡献(即利用分类结果的对错对样本权重进行减小或增大的更新，生成的弱分类器缺少多样性且弱分类器之间错误率悬殊较大)，其在复合材料损伤数据中的识别准确率并不高，因为多种损伤数据比较复杂且相互关联，难以实现高准确率的多分类；参照图3，本发明方法充分利用了样本与分类平面之间的距离信息，对样本权重更新提出了更细致的动态更新方式，其中，圆点和方块分别代表两类不同的数据，分类问题中产生的分类平面划分两类不同的数据，样本到分类平面的垂直距离定义为样本到分类平面的距离，样本到分类平面的距离越大，则认为该样本被正确区分的难度越大，需要的权重越大，而本发明方法对弱分类器之间关联性明确提出了过滤因子的限制条件，在增加AdaBoost算法中弱分类器的多样性的同时控制弱分类器之间的差异性，具有更高的识别分类准确率和较强的鲁棒性。
优选的，为了对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的BP神经网络方法、LSSVM方法、AdaBoost-DT方法、KNN方法分别与本发明方法进行对比测试，以科学论证的手段对比实验结果，以验证本发明方法所具有的真实效果；传统的BP神经网络方法是一种按误差逆传播算法训练的多层前馈网络，从训练集中选取样本信息输入网络，利用各节点间的连接情况正向逐层处理得到神经网络的实际输出，计算网络实际输出与期望输出的误差，将误差逐层反向回传至之前各层，并按照一定原则将误差信号加载到连接权值上，使得整个神经网络连接权值向误差减小的方向转化；传统的LSSVM方法利用选择的非线性映射将输入向量映射到高维特征空间，在这个空间中构造最优决策函数，同时利用结构风险最小化原则，将原空间的核函数取代了高维特征空间中的点积运算；传统的AdaBoost-DT方法针对数据集更新样本权重，生成决策树分类器并计算该分类器的误差和权重，将弱分类器组合成强分类器，判断误差和迭代次数直至满足条件结束生成；传统的KNN方法计算测试数据与各个训练数据之间的距离，按照距离的递增关系进行排序，选取距离最小的K个点，确定前K个点所在类别的出现频率并返回前K个点出现频率最高的类别作为测试数据的预测分类；传统的BP神经网络方法、LSSVM方法、AdaBoost-DT方法、KNN方法识别精度较低，为验证本发明方法相对于传统的四种方法具有较高的识别精度，本实施例将分别采用传统的BP神经网络方法、LSSVM方法、AdaBoost-DT方法、KNN方法与本发明方法针对复合材料在静态压痕试验下产生的多类损伤进行分类识别。
测试条件：将复合材料层合板试件放置在实验台上；
采用静态压痕试验模拟其在服役期间损伤累积的过程并实时采集声发射信号；
使用扫描电子显微镜将各声发射信号与试件状态进行关联，共采集无损伤、纤维分层、界面脱粘和纤维断裂四种状态下声发射信号各60组；
采用小波包变换对所有声发射信号进行6层分解，提取第6层前16维小波包系数(记为E6 i)，参照表1所示基于能量差的参数作为特征，构成维度为240×5的复合材料损伤数据集。
随机抽取四种状态下的损伤数向量据各40组构成训练样本，其它数据作为测试样本，使用训练样本对上述方法进行训练，使用测试样本对所得训练模型进行测试并获得测试结果；
采用本方法，则开启自动化测试设备并运用MATLAB软件编程实现本方法的仿真测试，最终得出仿真结果；
将各方法判断得出的损伤类型与实际损伤类型进行对比，并计算识别准确率如下表所示：
表2：测试结果对比表。
Figure GDA0003909361540000111
Figure GDA0003909361540000121
参照表2，针对复合材料的损失类别(四种类型)识别分类，本发明方法引入样本与分类平面之间的距离对样本的权重进行三个等级的更新，同时利用过滤因子对各个弱分类器之间的分类结果进行关联性要求，输出测试结果如表2所示，能够直观的看出本发明方法相较于传统的四种分类方法(BP、LSSVM、AdaBoost-DT、KNN)所识别分类的准确率更高。
实施例2
参照图4和图5，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提高了一种基于AdaBoost的复合材料损伤识别系统，包括：
采集模块100，用于采集样本数据，收集数据信息和分类信息；其基于远程数据采集平台的通信模块，将通信芯片、存储芯片集成在一块电路板上，使其具有通过远程数据采集平台传输数据的功能，例如，电脑、单片机、ARM都可以通过RS232串口与远程数据采集平台相连接，通过AT指令控制模块实现各种语音和数据通信功能。
数据处理模块200与采集模块100相连接，用于接收样本数据进行迭代处理，其包括计算单元201、调控单元202和输出管理单元203，计算单元201用于计算识别错误率、权重和距离，调控单元202用于读取计算单元201的计算结果，调整相应的参数再反馈至计算单元201内进行计算，输出管理单元203用于输出计算结果数据。
分类模块300连接于输出管理单元203，用于接收输出管理单元203输出的结果数据并对其划分类别，归纳整合不同的数据信息。
识别模块400与分类模块300相连接，用于读取、分析、对比分类模块300内的分类结果，输出识别结果。
需要说明的是，识别模块400主要分为三个层次，包括控制层、运算层及存储层，控制层是识别模块400的指挥控制中心，由指令寄存器IR、指令译码器ID和操作控制器OC组成，控制层能够根据用户预先编好的程序，依次从存储器中取出各条指令，放在指令寄存器IR中，通过指令译码器分析确定，通知操作控制器OC进行操作，按照确定的时序向相应的部件发出微操作控制信号；运算层是识别模块400的核心，能够执行算术运算(如加减乘除及其附加运算)和逻辑运算(如移位、逻辑测试或两个值比较)，其连接于控制层，通过接受控制层的控制信号进行运算操作；存储层是识别模块400的数据库，能够存放数据(待处理及已经处理过的数据)。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于AdaBoost的复合材料损伤识别方法，其特征在于：包括，
采集复合材料损伤的声发射信号并进行特征提取，分别获得训练样本数据、测试样本数据和对应损伤类别数据；
利用所述训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；
训练模型基于所述训练样本数据与所述分类平面距离将所述训练样本数据划分为三种类型，包括，最难型数据、较难型数据和简单型数据；
所述最难型数据包括，被赋予较大的权重和距离较小的样本数据；
所述较难型数据包括，被赋予中等大小权重和距离中等的所述样本数据；
所述简单型数据包括，被赋予最小权重和距离最大的所述样本数据；
所述加权最小二乘支持向量机利用划分的所述三种类型对相同的所述训练样本数据得到不同的分类结果，包括，
Figure FDA0003917176880000011
其中，vi：样本的权重，c1、c2：参数，di：第i个样本与分类平面之间的距离；
将当前弱分类器生成的识别错误率与第一个弱分类器的识别错误率的比值定义为过滤因子；
对所述训练模型进行训练，利用过滤因子控制弱分类器生成的识别错误率，直至无法找到满足条件的所述弱分类器时，停止训练，输出损伤识别模型；
将所述测试样本数据导入所述损伤识别模型内，若正确识别实际损伤类型，则完成优化；
利用优化后的所述损伤识别模型识别复合材料损伤数据并输出识别结果。
2.如权利要求1所述的基于AdaBoost的复合材料损伤识别方法，其特征在于：所述满足条件包括，
当所述识别错误率在不小于核宽参数最小值σmin的情况下，同时满足小于0.5和小于k倍第一个所述弱分类器的所述识别错误率。
3.如权利要求1或2所述的基于AdaBoost的复合材料损伤识别方法，其特征在于：所述过滤因子取值范围大于1且小于2。
4.如权利要求3所述的基于AdaBoost的复合材料损伤识别方法，其特征在于：利用所述过滤因子还包括，
当第二次分类时，同时满足所述识别错误率小于0.5且小于第一个所述弱分类器与所述过滤因子乘积条件，则生成新的所述弱分类器；
重复生成所述弱分类器的分类步骤，直至无法找到所述满足条件的所述弱分类器，停止分类；
所述弱分类器在分类时对所述训练样本数据分别生成分类意见；
整合所有生成的所述弱分类器的所述分类意见，分别标记为相同分类意见和不同分类意见。
5.如权利要求1所述的基于AdaBoost的复合材料损伤识别方法，其特征在于：训练所述训练模型包括，
对所述训练模型分别输入带标签的训练样本{(x1,y1),…,(xN,yN)}、加权LSSVM中的惩罚因子C、核宽参数初始值σini、搜索步长σstep、最小值σmin、过滤因子k和权重模型参数c1、c2；
初始化输入的数值，训练样本初始权重
Figure FDA0003917176880000021
加权LSSVM初始权重
Figure FDA0003917176880000022
Figure FDA0003917176880000023
所述训练模型进行迭代处理，迭代次数t＝1、2、…、T；
迭代完成，输出所述损伤识别模型
Figure FDA0003917176880000024
其中，xi：所述训练样本数据，yi：训练样本标签，ht：所述弱分类器，αt：权重。
6.如权利要求5所述的基于AdaBoost的复合材料损伤识别方法，其特征在于：所述迭代处理包括，
利用所述加权LSSVM在当前样本权重分布下对所述训练样本数据进行分类，得到所述弱分类器；
所述训练模型计算所述弱分类器的所述识别错误率
Figure FDA0003917176880000025
其中，εt：所述识别错误率，ωi t：当前样本权重分布；
当t＝1时，若ε1>0.5，则σ减小一个步长σstep，重新生成所述弱分类器；
当t>1时，若εt>0.5或ε>kε1，则σ减小一个步长σstep，重新生成所述弱分类器；
当σ<σmin时，设置t＝T-1并结束迭代；
计算所述弱分类器权重
Figure FDA0003917176880000031
更新训练样本权重
Figure FDA0003917176880000032
其中，Ct：归一化因子；
计算所述训练样本数据得到所述分类平面的距离，根据新型权重模型更新所述加权LSSVM权重；
重置σ＝σmin，停止迭代。
7.如权利要求6所述的基于AdaBoost的复合材料损伤识别方法，其特征在于：计算所述训练样本数据与所述分类平面的距离包括，
|di|＝|wTφ(xi)+b|＝|yi-εt|
其中，w为权系数向量，φ(·)为输入空间到高维空间的映射，b为偏置；
根据所述距离的大小对所述加权LSSVM设置相应的权重；
所述弱分类器参考设置的所述权重大小给出相应的分类结果。
CN202010361843.XA 2020-04-30 2020-04-30 一种基于AdaBoost的复合材料损伤识别方法及系统 Active CN111582350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010361843.XA CN111582350B (zh) 2020-04-30 2020-04-30 一种基于AdaBoost的复合材料损伤识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010361843.XA CN111582350B (zh) 2020-04-30 2020-04-30 一种基于AdaBoost的复合材料损伤识别方法及系统

Publications (2)

Publication Number Publication Date
CN111582350A CN111582350A (zh) 2020-08-25
CN111582350B true CN111582350B (zh) 2022-12-27

Family

ID=72114261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010361843.XA Active CN111582350B (zh) 2020-04-30 2020-04-30 一种基于AdaBoost的复合材料损伤识别方法及系统

Country Status (1)

Country Link
CN (1) CN111582350B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100925B (zh) * 2020-09-22 2022-04-12 北京航空航天大学 复合材料层合板准静态压痕过程损伤量化方法
CN112559685A (zh) * 2020-12-11 2021-03-26 芜湖汽车前瞻技术研究院有限公司 汽车论坛垃圾评论识别方法
CN112686404B (zh) * 2020-12-29 2022-05-06 山东华科信息技术有限公司 一种基于配电网故障抢修的协同优化方法
CN113885597A (zh) * 2021-10-15 2022-01-04 江南大学 污水处理过程的控制方法、装置、终端及可读存储介质
CN114925716B (zh) * 2022-03-22 2023-08-25 西南交通大学 基于集成学习算法的碳纤维复合材料损伤定位方法
CN117592890B (zh) * 2024-01-18 2024-04-26 深圳市伟昊净化设备有限公司 一种用于不同复杂场合的柔性输送方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951809A (zh) * 2015-07-14 2015-09-30 西安电子科技大学 基于不平衡分类指标与集成学习的不平衡数据分类方法
CN106650773A (zh) * 2016-10-11 2017-05-10 酒泉职业技术学院 一种基于SVM‑AdaBoost算法的行人检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951809A (zh) * 2015-07-14 2015-09-30 西安电子科技大学 基于不平衡分类指标与集成学习的不平衡数据分类方法
CN106650773A (zh) * 2016-10-11 2017-05-10 酒泉职业技术学院 一种基于SVM‑AdaBoost算法的行人检测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
MK-LSSVM与AdaBoost-SVM在分类中的比较和研究;刘卫华;《自动化仪表》;20130520(第05期);全文 *
一种基于Adaboost和变量筛选的LSSVM工程造价估计方法;黄文涛等;《重庆交通大学学报(自然科学版)》;20160630(第03期);全文 *
一种改进的加权支持向量机;王红蔚等;《河南师范大学学报(自然科学版)》;20110515(第03期);全文 *
双权法LSSVM在旋转设备故障诊断中的应用;刘晓华等;《煤矿机械》;20111115(第11期);全文 *
基于多分类 AdaBoost 的航空发动机故障诊断;曹惠玲，等.;《北京航空航天大学学报》;20180930;第44卷(第9期);摘要、第1819-1822页 *
基于支持向量机的碳纤维增强复合材料梁的分层损伤识别;贺梦悦等;《玻璃钢/复合材料》;20180728(第07期);全文 *
生物发酵过程的LSSVM-Adaboost逆软测量方法;于霜等;《计算机与应用化学》;20131128(第11期);全文 *
距离加权极端支持向量机;鲁淑霞等;《计算机工程与应用》;20130615(第12期);摘要、第160-161页 *
集成学习之Adaboost算法原理小结;刘建平Pinard;《博客园：https://www.cnblogs.com/pinard/p/6133937.html》;20161205;第1-2页 *

Also Published As

Publication number Publication date
CN111582350A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582350B (zh) 一种基于AdaBoost的复合材料损伤识别方法及系统
CN110580501B (zh) 一种基于变分自编码对抗网络的零样本图像分类方法
CN112364894B (zh) 一种基于元学习的对抗网络的零样本图像分类方法
CN109117380B (zh) 一种软件质量评价方法、装置、设备及可读存储介质
CN110020667A (zh) 神经网络结构的搜索方法、系统、存储介质以及设备
US20050100209A1 (en) Self-optimizing classifier
CN106503727B (zh) 一种高光谱图像分类的方法及装置
US7562054B2 (en) Method and apparatus for automated feature selection
CN111834010A (zh) 一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
CN106886793B (zh) 基于判别信息和流形信息的高光谱图像波段选择方法
CN115526093A (zh) Smt印刷参数优化模型的训练方法、设备和存储介质
CN110956277A (zh) 一种交互式的迭代建模系统及方法
CN110378389A (zh) 一种Adaboost分类器计算机创建装置
CN110348287A (zh) 一种基于字典和样本相似图的无监督特征选择方法和装置
CN113127973A (zh) 基于cae仿真技术的多材料智能选材方法、系统及电子设备
CN113239199B (zh) 一种基于多方数据集的信用分类方法
CN112184412A (zh) 一种信用评分卡模型的建模方法、装置、介质及电子设备
CN111639712A (zh) 一种基于密度峰值聚类和梯度提升算法的定位方法及系统
CN114706751A (zh) 一种基于改进smote的软件缺陷预测方法
CN114139937A (zh) 一种室内热舒适数据生成方法、系统、设备及介质
CN114863508A (zh) 自适应注意力机制的表情识别模型生成方法、介质及设备
JP6860602B2 (ja) 汎用人工知能装置及び汎用人工知能プログラム
CN110046708A (zh) 一种基于无监督深度学习算法的信用评分方法
CN111026661A (zh) 一种软件易用性全面测试方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant