CN111582510B - 基于支持向量机的智能识别方法、识别系统及民航发动机 - Google Patents
基于支持向量机的智能识别方法、识别系统及民航发动机 Download PDFInfo
- Publication number
- CN111582510B CN111582510B CN202010400535.3A CN202010400535A CN111582510B CN 111582510 B CN111582510 B CN 111582510B CN 202010400535 A CN202010400535 A CN 202010400535A CN 111582510 B CN111582510 B CN 111582510B
- Authority
- CN
- China
- Prior art keywords
- svm
- ampso
- optimization
- support vector
- algorithm
- 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.)
- Expired - Fee Related
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 96
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 239000002245 particle Substances 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 claims abstract description 8
- ACERFIHBIWMFOR-UHFFFAOYSA-N 2-hydroxy-3-[(1-hydroxy-2-methylpropan-2-yl)azaniumyl]propane-1-sulfonate Chemical compound OCC(C)(C)NCC(O)CS(O)(=O)=O ACERFIHBIWMFOR-UHFFFAOYSA-N 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 29
- 230000035772 mutation Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 46
- 238000011161 development Methods 0.000 abstract description 12
- 230000002708 enhancing effect Effects 0.000 abstract description 6
- 230000018109 developmental process Effects 0.000 description 11
- 230000013016 learning Effects 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- CXURGFRDGROIKG-UHFFFAOYSA-N 3,3-bis(chloromethyl)oxetane Chemical compound ClCC1(CCl)COC1 CXURGFRDGROIKG-UHFFFAOYSA-N 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 244000207740 Lemna minor Species 0.000 description 1
- 235000006439 Lemna minor Nutrition 0.000 description 1
- 235000001855 Portulaca oleracea Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于智能识别技术领域，公开了一种基于支持向量机的智能识别方法、识别系统及民航发动机，利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；通过测试函数来验证不同的PSO改进算法的寻优性能。本发明将支持向量机作为发动机损伤智能识别的方法；为保障SVM可靠稳定的识别性能，本发明还提出利用自适应变异的粒子群优化算法对核参数和惩罚因子优化，通过增强种群的多样性，平衡探索和开发能力，自适应变异策略能提升了PSO的全局寻优能力，从而实现对SVM参数的优化，提高了SVM在发动机损伤类型识别中的准确率和稳定性。
Description
技术领域
本发明属于智能识别技术领域，尤其涉及一种基于支持向量机的智能识别方法、识别系统及民航发动机。
背景技术
目前，民航飞机的安全运行直接关系到旅客的生命财产安全，保障民航飞机安全飞行，是民航业的生命线。发动机作为高度集成化、精密化的复杂工业产品，向飞机运行提供充足的动力，是保障飞行安全的关键系统。根据全球民航业数据统计，由发动机引起的飞行事故占比约为50％；而发动机的维修支出约占到所有支出成本的40％。因此开展高效、精准的民航发动机维修决策研究，对保障飞行安全、降低维护成本、提高运行效率具有重要意义。
随着现代智能识别技术的快速发展，人工神经网络、深度学习，统计模式识别等方法被广泛应用于模式识别，使发动机的损伤类型检测与识别摆脱了对专家经验的过度依赖，提高了识别准确率，为发动机的维修保障提供了可靠的技术支持。
研究表明：由于人工神经网络一直存在收敛性和泛化能力差的缺点，且网络参数及拓扑结构设定方面存在不确定性，增加了其应用难度。深度学习对样本数量要求较高，且算法运行效率较低，降低了实时性要求。而统计模式识别对样本的概率分布是敏感的。支持向量机(support vector machine,SVM)作为经典的机器学习算法，SVM是建立在统计学习理论的VC(Vapnik-Chervonenkis)维理论和结构风险最小原理基础上的，具有完备的理论基础和可解释性，在模式识别、回归估计中被广泛使用，特别是核函数的引入，拓展了SVM的应用范围，使SVM成为最受欢迎的机器学习算法。
PSO算法是一种启发式群体随机搜索算法，自1995年提出后，因其简洁的数学表达、明确的数学解释、较少的参数调节，使其在工程优化问题中得到广泛应用，成为当前最流行的智能优化方法之一。PSO算法同其它群体优化算法一样存在一种固有缺陷，即在迭代过程中，容易陷入局部最优区域无法跳出而导致早熟收敛。因此，亟需一种改进方法使PSO算法具有良好的全局寻优能力，从而实现对SVM参数的优化。
通过上述分析，现有技术存在的问题及缺陷为：现有PSO算法在迭代过程中，容易陷入局部最优区域无法跳出而导致早熟收敛。由于C控制对错分样本的惩罚程度，能调节支持向量置信范围和经验风险的比例；而γ主要影响样本在高维特征空间中的线性可分情况，(C,γ)不同的数值组合可导致SVM的分类精度产生较大的差异。因此，需要利用AMPSO算法对(C,γ)进行寻优，以确保获得使SVM获得最佳分类效果的全局最优解。
解决以上问题及缺陷的难度为：PSO在处理复杂多模态问题时，难以获得精确的数值解，从算例中可以看出。
SVM算法的参数优化没有具体的理论指导和数值方法，多数状态下是靠试凑法进行，难以保证SVM的识别性能。
解决以上问题及缺陷的意义为：提高PSO的全局寻优能力，增强在工程实践的优化性能。提高SVM的识别精度。
发明内容
针对现有技术存在的问题，本发明提供了一种基于支持向量机的智能识别方法、识别系统及民航发动机。
本发明是这样实现的，一种基于支持向量机的智能识别方法，所述基于支持向量机的智能识别方法包括以下步骤：
步骤一，为提高PSO的全局寻优能力，构建基于自适应变异策略AM的PSO算法AMPSO，提高PSO在工程实践的优化能，保障对SVM参数的优化。
步骤三，通过测试函数来验证不同的PSO改进算法的寻优性能，确保PSO寻优性能得到提升。
步骤二，利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM，确保在图像识别过程的准确性。
进一步，步骤一中，所述AM策略体现在两个方面，一是对粒子更新公式的改进，公式(1)显示了重新设计的粒子更新公式：
其中，k为当前迭代次数；pi为第i个粒子；pie为单个粒子所经历的历史最优位置；pge为群体最优位置；vi为粒子的速度向量；ω是递减型惯性权重；c1和c2为正常数，称为学习因子，一般在0-2之间取值；而r1和r2为[0，1]之间两个相互独立的随机数。一般而言，粒子的位置更新公式是不含参数α，α是一个与pi同维度的随机产生的二进制向量。α定义为变异向量，其作用是降低粒子对自身极值的依赖度，增加种群的多样性，利于增强粒子在迭代初期的开发能力，从而增加粒子跳出局部最优区域的概率。
AM策略的另一方面体现在对不能改进自身极值的粒子进行一次变异，变异过程如公式(2)所示：
其中，r也为[0，1]之间的随机数；α同样为变异向量。公式(2)的作用是用pge中的部分元素来替代pi中相应位置的元素，公式(2)不仅增加了种群的多样性，同时有利于迭代后期粒子的开发能力，从而增加获得更优解的概率。
进一步，步骤二中，所述基于AMPSO优化的SVM，包括：
SVM是在统计学习理论基础上产生的具有坚实理论基础的模式识别方法，通过使超平面间的分类间隔最(margin)大化，利用Lagrange函数把最优分类面问题转为对偶问题来求解次凸二次规划(convex quadratic programming)问题，从而构造出相应的判别函数。对于线性不可分问题，通过核函数映射，将在低维空间的原始样本转换为高维特征空间的线性可分样本，从而实现对线性不可分样本的正确识别。SVM最大分类间隔的优化问题可以转换为：
其中，w为超平面的法向量；ξ为松弛变量；C为惩罚因子；xi为样本向量；yi为样本向量的标签，yi∈{-1,+1}；Ф(·)为将样本由低维空间向高维特征空间的映射函数。通过Lagrange函数构造并求解凸二次规划问题，最终可得到如下的决策函数：
其中，α*为支持向量的系数；因非支持向量对应的α*为0，所有n为支持向量的个数；xi为所确定的支持向量；b*为分类阈值。
根据Mercer条件，可选定一函数K来对应某变换空间的內积Ф(xi)·Ф(x)，令K(xi·x)＝Ф(xi)·Ф(x)，而函数K被称为核函数(kernel function)。通过核函数的方式可以有效避免确定Ф(·)的理论困难，则公式(4)可以改成：
径向基函数(radial basis function,RBF)属于全局核函数，研究表明全局核函数能使分类超平面最大程度逼近训练样本，有利于提升样本分类精度。因此本发明采用RBF核函数，则公式(5)可改写为：
由于C控制对错分样本的惩罚程度，能调节支持向量置信范围和经验风险的比例；而γ主要影响样本在高维特征空间中的线性可分情况，(C,γ)不同的数值组合可导致SVM的分类精度产生较大的差异。因此，需要利用AMPSO算法对(C,γ)进行寻优，以确保获得使SVM获得最佳分类效果的全局最优解。
当AMPSO算法优化(C,γ)时，利用交叉验证(cross-validation,CV)来确定适应度函数，通常将训练样本分割为k组，依次以k-1组训练算法，余下的一组样本为测试样本，则可获得k个识别精度，将k个识别精度的平均值为AMPSO的适应度值。交叉验证由于遍历了所有样本，因此能最大限度地提高SVM的分类精度，保证算法的稳定性。
本发明的另一目的在于提供一种基于支持向量机的智能识别系统包括：
粒子群优化算法AMPSO构建模块，用于构建基于自适应变异策略AM的PSO算法AMPSO；
SVM优化模块，用于利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；
验证模块，用于通过测试函数验证不同的PSO改进算法的寻优性能。
进一步，所述智能识别系统还包括：
损伤图像预处理模块，用于对损伤图像进行对比、分割、增强处理，增强图像在后期的应用效果；
损伤图形数字特征提取模块，用于提取数字图像特征数据库，以训练SVM算法；
损伤图像数据库维护模块，用于将检查验证的图像数字特征存在数据库，以增强数据库样本的覆盖范围。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述基于支持向量机的智能识别方法。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述基于支持向量机的智能识别方法。
本发明的另一目的在于提供一种利用所述基于支持向量机的智能识别方法的识别内部结构损伤情况的民航发动机。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明将支持向量机(support vector machine,SVM)作为发动机损伤智能识别的方法。为保障SVM可靠稳定的识别性能，本发明还提出利用自适应变异的粒子群优化(adaptive mutationparticles swarm optimization,AMPSO)算法对核参数和惩罚因子优化，通过增强种群的多样性，平衡探索和开发能力，自适应变异策略能提升了PSO的全局寻优能力，从而实现对SVM参数的优化，以提高SVM在发动机损伤类型识别中的准确率和稳定性，一些复杂的测试函数验证了AMPSO的全局寻优能力。
本发明所提的AM PSO算法，所需设置的参数数与传统PSO算法是一致的，变异过程也无需人工干预，但因增加了种群多样性，兼顾了开发和探索能力，丰富了粒子更新方式，使得算法的全局寻优性能得到显著提高。同时，利用本发明所提的AMPSO优化的SVM，以及BP(back propagation)网络、ELM(extreme learning machines)网络、k-NN(k-nearestneighborhood)算法进行损伤类型识别，识别结果证明了本发明提出的特征提取方法更适合发动机损伤识别，有利于提高损伤识别精度。同时，比较了4种识别算法的性能，基于AMPSO优化的SVM具有更优的、稳定的识别输出；比较实验证明了本发明所提的方法有利于提升民航发动机损伤类型识别效率，提高了民航发动机损伤类型识别的自动化水平和可靠度，增强了民航发动机的维修保障能力。
AMPSO算法由于自适应变异策略的作用，能较好地维持总群多样，平衡迭代过程中的开发和探索，提升了全局寻优能力，为优化SVM参数优化提供符合要求的全局输出。SVM经过AMPSO优化以后，能确保SVM获得最优的识别性能，同时，保障了SVM输出结果的稳定性。因此，本发明所提出的特征提取方法和损伤类型识别算法，能够为实际发动机维修保障提供自动化的、可靠的损伤类型输出，提升安全保障效率。
附图说明
图1是本发明实施例提供的基于支持向量机的智能识别方法流程图。
图2是本发明实施例提供的粒子自适应变异流程图。
图3是本发明实施例提供的基于支持向量机的智能识别系统示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于支持向量机的智能识别方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于支持向量机的智能识别方法包括以下步骤：
S101，提出基于自适应变异策略AM的PSO算法AMPSO。
S102，利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM。
S103，通过测试函数来验证不同的PSO改进算法的寻优性能。
图2是本发明实施例提供的粒子自适应变异流程图。
如图3所示，本发明提供一种基于支持向量机的智能识别系统包括：
损伤图像预处理模块，用于对损伤图像进行对比、分割、增强处理，增强图像在后期的应用效果。
损伤图形数字特征提取模块，用于提取数字图像特征数据库，以训练SVM算法。
粒子群优化算法AMPSO构建模块，用于构建基于自适应变异策略AM的PSO算法AMPSO。
SVM优化模块，用于利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM。
验证模块，用于通过测试函数验证不同的PSO改进算法的寻优性能。
损伤图像数据库维护模块，用于将检查验证的图像数字特征存在数据库，以增强数据库样本的覆盖范围，提升工程应用能力。
下面结合实施例对本发明作进一步描述。
实施例1
1、改进的PSO算法
PSO算法是一种启发式群体随机搜索算法，自1995年提出后，因其简洁的数学表达、明确的数学解释、较少的参数调节，使其在工程优化问题中得到广泛应用，成为当前最流行的智能优化方法之一。PSO算法同其它群体优化算法一样存在一种固有缺陷，即在迭代过程中，容易陷入局部最优区域无法跳出而导致早熟收敛。为了克服PSO算法的这一固有缺陷，本发明提出了一种基于自适应变异(adaptive mutation,AM)策略的PSO(AMPSO)算法，以增强种群的多样性，平衡在迭代过程中的开发能力和探索能力，增强种群的全局寻优能力，为提供SVM提供最优参数。
1.1 AMPSO算法
关于传统PSO算法的理论可详细参加文献。本发明所提的AM策略主要体现在两个方面，一是对粒子更新公式的改进，公式(1)显示了重新设计的粒子更新公式：
其中，k为当前迭代次数；pi为第i个粒子；pie为单个粒子所经历的历史最优位置；pge为群体最优位置；vi为粒子的速度向量；ω是递减型惯性权重；c1和c2为正常数，称为学习因子，一般在0-2之间取值；而r1和r2为[0，1]之间两个相互独立的随机数。一般而言，粒子的位置更新公式是不含参数α，α是一个与pi同维度的随机产生的二进制向量。α定义为变异向量，其作用是降低粒子对自身极值的依赖度，增加种群的多样性，利于增强粒子在迭代初期的开发能力，从而增加粒子跳出局部最优区域的概率。AM策略的另一方面体现在对不能改进自身极值的粒子进行一次变异，图2显示了对不能改进自身极值的粒子的变异流程，变异过程如公式(2)所示：
其中，r也为[0，1]之间的随机数；α同样为变异向量。公式(2)的作用是用pge中的部分元素来替代pi中相应位置的元素，公式(2)不仅增加了种群的多样性，同时有利于迭代后期粒子的开发能力，从而增加获得更优解的概率。本发明所提的AM PSO算法，所需设置的参数数与传统PSO算法是一致的，变异过程也无需人工干预，但因增加了种群多样性，兼顾了开发和探索能力，丰富了粒子更新方式，使得算法的全局寻优性能得到显著提高。
1.2 PSO算法性能验证
为了验证AMPSO算法的性能，一些经典的、复杂的测试函数将用来验证不同的PSO改进算法的寻优性能，这些测试函数的相关信息列在表1中。
表1 8种测试函数的特征
一些基于不同改进策略的PSO算法将与AMPSO算法进行比较，有基于模仿人类行为的算法，如self Regulating PSO(SRPSO)、aging Leader and Challengers PSO(ALCPSO)、social learning PSO(SLPSO)；有基于参数调节的方法，如inertia weights PSO(IWPSO)、shrinkage factor PSO(SFPSO)；有基于邻域拓扑结构的方法，如dynamic neighborhoodPSO(DNPSO)；有基于算法集成的方法，如simulated annealing PSO(SAPSO)、multipleagents PSO(MAPSO)。所有算法的种群数设置为60，最大迭代数设置为400，粒子在[-100，100]的范围内随机初始化，而速度在[-2，2]的范围内随机初始化，所有算法都在相同的计算环境下运行。以各PSO算法连续运行100次所得的适应度值的平均值来衡量算法的寻优性能，表2显示了各PSO改进算法的寻优结果。显然，表2证明了本发明所提的基于AMS的PSO算法具有优良的全局寻优性能，能在工程优化中提供可靠的寻优结果。
表2寻优结果比较表
| function | SRPSO | ALCPSO | SLPSO | IWPSO | SFPSO | DNPSO | SAPSO | MAPSO | AMPSO |
| f<sub>Sphere</sub> | 0.00024 | 8.4543 | 42002.32 | 469.31 | 1949.82 | 0.1174 | 141.232 | 0.0041 | 3.87e-68 |
| f<sub>Sch</sub> | 0.4473 | 0.4645 | 0.4954 | 0.4532 | 0.4864 | 0.4855 | 0.4543 | 0.3435 | 6.56e-11 |
| f<sub>Gri</sub> | 0.0053 | 0.3654 | 2.1038 | 1.1102 | 1.5452 | 0.0231 | 0.9563 | 0.0041 | 0 |
| f<sub>Ack</sub> | 21.1654 | 19.4546 | 18.6332 | 19.5434 | 20.8652 | 20.1004 | 19.5646 | 18.7543 | 0 |
| f<sub>Ras</sub> | 192.865 | 951.234 | 4558.76 | 1126.43 | 2626.32 | 473.234 | 1178.34 | 205.422 | 0 |
| f<sub>Ros</sub> | 154.942 | 5232.13 | 8823.45 | 5892.74 | 2061.12 | 168.453 | 2635.46 | 147.653 | 47.3143 |
| f<sub>SDPF</sub> | 3.14e+08 | 1.21e+24 | 6.12e+52 | 1.49e+38 | 1.42e+39 | 0.1564 | 9.65e+35 | 7.85+e07 | 1.76e-101 |
| f<sub>RHEF</sub> | 917.647 | 1032.76 | 9613.34 | 104345 | 6846.53 | 677.453 | 2510.42 | 1245.64 | 4.34e-56 |
2、基于AMPSO优化的SVM
SVM是在统计学习理论基础上产生的具有坚实理论基础的模式识别方法，通过使超平面间的分类间隔最(margin)大化，利用Lagrange函数把最优分类面问题转为对偶问题来求解次凸二次规划(convex quadratic programming)问题，从而构造出相应的判别函数。对于线性不可分问题，通过核函数映射，将在低维空间的原始样本转换为高维特征空间的线性可分样本，从而实现对线性不可分样本的正确识别。SVM最大分类间隔的优化问题可以转换为：
其中，w为超平面的法向量；ξ为松弛变量；C为惩罚因子；xi为样本向量；yi为样本向量的标签，yi∈{-1，+1}；Φ(·)为将样本由低维空间向高维特征空间的映射函数。通过Lagrange函数构造并求解凸二次规划问题，最终可得到如下的决策函数：
其中，α*为支持向量的系数；因非支持向量对应的α*为0，所有n为支持向量的个数；xi为所确定的支持向量；b*为分类阈值。
根据Mercer条件，可选定一函数K来对应某变换空间的內积Ф(xi)·Ф(x)，令K(xi·x)＝Ф(xi)·Ф(x)，而函数K被称为核函数(kernel function)。通过核函数的方式可以有效避免确定Ф(·)的理论困难，则公式(4)可以改成：
径向基函数(radial basis function,RBF)属于全局核函数，研究表明全局核函数能使分类超平面最大程度逼近训练样本，有利于提升样本分类精度。因此本发明采用RBF核函数，则公式(5)可改写为：
由于C控制对错分样本的惩罚程度，能调节支持向量置信范围和经验风险的比例；而γ主要影响样本在高维特征空间中的线性可分情况，(C,γ)不同的数值组合可导致SVM的分类精度产生较大的差异。因此，需要利用AMPSO算法对(C,γ)进行寻优，以确保获得使SVM获得最佳分类效果的全局最优解。
当AMPSO算法优化(C,γ)时，利用交叉验证(cross-validation,CV)来确定适应度函数，通常将训练样本分割为k组，依次以k-1组训练算法，余下的一组样本为测试样本，则可获得k个识别精度，将k个识别精度的平均值为AMPSO的适应度值。交叉验证由于遍历了所有样本，因此能最大限度地提高SVM的分类精度，保证算法的稳定性。
AMPSO算法由于自适应变异策略的作用，能较好地维持总群多样，平衡迭代过程中的开发和探索，提升了全局寻优能力，为优化SVM参数优化提供符合要求的全局输出。SVM经过AMPSO优化以后，能确保SVM获得最优的识别性能，同时，保障了SVM输出结果的稳定性。因此，本发明所提出的特征提取方法和损伤类型识别算法，能够为实际发动机维修保障提供自动化的、可靠的损伤类型输出，提升安全保障效率。
实施例2：对损伤图像识别性能的验证
为了验证本发明所提的基于颜色矩和GLCM的特征提取效果，同时验证基于AMPSO优化的SVM(AMPSO-SVM)的损伤识别性能，本发明将做如下对比验证。
2.1不同特征提取方法对识别精度的影响
图像的特征提取方法有多种，根据发动机损伤图像的特点，将本发明所提的特征提取方法与文献[1-3,4,5]的方法进行比较，文献[1]提出的HSV空间颜色特征提取方法，文献[2]提出的基于GLCM统计量的纹理特征提取方法，文献[4]提出基于Tamura的特征提取方法，文献[3]提出基于GLCM和Tamura融合的特征提取方法，而文献[5]提出了基于Tamura特征和局部灰度颜色(gray color,GC)特征融合的特征提取方法。利用AMPSO-SVM作为识别算法，PSO的种群设置为40，最大迭代数设置为100，粒子搜索范围为[0,100]，而速度在[-1,1]之间随机初始化，交叉验证的k取5。利用民航发动机损伤图像，根据不同的方法提取图像特征，并进行算法训练、测试。同时，引入常用的基于知识学习的智能算法，如BP(backpropagation)网络、ELM(extreme learning machines)网络、k-NN(k-nearestneighborhood)算法来测试各种特征提取方法对识别精度的影响。BP网络的误差目标设置为0.005，而迭代次数设置为300次。ELM网络由文献[6]所提的方法优化。K-NN取k为1时的识别精度。各算法具体计算过程请参见相关参考文献。因受权值随机初始化影响，BP网络、ELM网络输出精度呈现出不确定性，因此这2种方法在相同计算环境下连续运行50次，取平均精度作为最终输出。表3显示了基于不同的特征提取方法的识别效果，其中(C,γ)best表示利用AMPSO寻优后的输出解，适应度值即是CV的平均精度。对于表3的识别精度纵向观察可知：对于不同的识别算法，对于本发明提的特征提取方法，都有相较于其它特征提取方法更优的识别效果。分析各种特征提取算法可知：文献[1]、[2]和[4]中属于单一特征提取方法，对损伤图像的描述不够全面，导致识别精度相对较差；文献[3]和[5]的方法属于融合特征提取方法，从多维度来刻画损伤图像特征，因此较之单一特征提取方法，相对更有利于损伤图像识别，且文献[5]也考虑到了颜色特征，它对损伤图像的识别也处于相对较高的精度。本发明提出的基于颜色矩和GLCM特征提取的方法，综合考虑了颜色特征和纹理统计特征，对发动机损伤图像特征提取更加客观、全面，实验结果证明了本发明所提的特征提取方式更加合理有效。
2.2不同识别算法的识别性能比较
本发明提出了基于AMPSO优化的SVM，通过交叉验证以获得最优的(C,γ)，从而保证SVM稳定可靠的输出。为了验证本发明所提算法在损伤图像识别中的优势，将上述的4种识别算法与AMPSO-SVM进行识别性能比较。对表3中的识别精度横向观察，显然，AMPSO-SVM对不同的特征数据识别基本都是最佳的。
表3识别算法的特征提取方法的识别性能比较表
由于各种识别算法的识别原理是不同的，因此很难保证一种方法对所有数据分布类型都有效的，例如利用文献[4]提取的数据，AMPSO-SVM的识别精度就不如ELM网络。但AMPSO-SVM有效克服了随机性的影响，不存在如BP网络和ELM网络输出不确定性的缺陷，同时，也不会像k-NN一样对k值敏感。因此，AMPSO-SVM不仅具有良好的识别性能，还能提供稳定、准确的输出，能够为民航发动机的损伤类型识别提供可靠的技术支撑。
参考文献：
[1]杨奥博,盛家川,李玉芝,刘赏,赵坤圆.基于HSV空间的颜色特征提取[J].电脑知识与技术,2017(18):193-195.
[2]高程程,惠晓威.基于灰度共生矩阵的纹理特征提取[J].计算机系统应用,2010,19(6):195-198.
[3]耿艳萍,高红斌,任智颖.融合颜色特征和纹理特征的图像检索算法[J].无线互联科技,2017,24:113-116.
[4]Y.Liu,Z.Li,Z.M.Gao.An Improved Texture Feature Extraction Methodfor Tyre Tread Patterns[C].International Conference on Intelligent Scienceand Big Data Engineering.Springer,Berlin,Heidelberg,2013:705-713.
[5]李娜,熊志勇,谢瑾,彭川,任恺.基于Tamura纹理特征提取和SVM的多模态脑肿瘤MR图像分割[J].中南民族大学学报(自然科学版),2018,37(03):148-153.
[6]S.U.Hongjun,S.Tian,Y.Cai,et al.Optimized extreme learning machinefor urban land cover classification using hyperspectral imagery[J].Frontiersof Earth Science,2017,11(4):765-773.
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于支持向量机的智能识别系统，其特征在于，所述基于支持向量机的智能识别系统包括：
粒子群优化算法AMPSO构建模块，用于构建基于自适应变异策略AM的PSO算法AMPSO；
SVM优化模块，用于利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；
验证模块，用于通过测试函数验证不同的PSO改进算法的寻优性能；
所述智能识别系统进一步包括：
损伤图像预处理模块，用于对损伤图像进行对比、分割、增强处理；
损伤图形数字特征提取模块，用于提取数字图像特征数据库，以训练SVM算法；
损伤图像数据库维护模块，用于将检查验证的图像数字特征存在数据库，以增强数据库样本的覆盖范围；
所述基于支持向量机的智能识别系统的基于支持向量机的智能识别方法包括以下步骤：
步骤一，构建基于自适应变异策略AM的PSO算法AMPSO；
步骤二，利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；
步骤三，通过测试函数验证不同的PSO改进算法的寻优性能；
所述步骤一中，所述AM策略包括：
(1)对粒子更新公式的改进，公式(1)粒子更新公式：
其中，k为当前迭代次数；pi为第i个粒子；pie为单个粒子所经历的历史最优位置；pge为群体最优位置；vi为粒子的速度向量；ω是递减型惯性权重；c1和c2为正常数，取值范围0-2；r1和r2为[0，1]之间两个相互独立的随机数；
(2)对不能改进自身极值的粒子进行一次变异，变异过程如公式(2)所示：
其中，r也为[0，1]之间的随机数；α为变异向量；公式(2)的作用是用pge中的部分元素来替代pi中相应位置的元素。
2.如权利要求1所述的基于支持向量机的智能识别系统，其特征在于，步骤二中，所述基于AMPSO优化的SVM，包括：
通过使超平面间的分类间隔最大化，利用Lagrange函数把最优分类面问题转为对偶问题求解次凸二次规划，构造相应的判别函数；对于线性不可分，通过核函数映射，将在低维空间的原始样本转换为高维特征空间的线性可分样本；SVM最大分类间隔的优化转换为：
其中，w为超平面的法向量；ξ为松弛变量；C为惩罚因子；xi为样本向量；yi为样本向量的标签，yi∈{-1,+1}；Φ(xi)为将样本由低维空间向高维特征空间的映射函数；通过Lagrange函数构造并求解凸二次规划，得到如下的决策函数：
其中，α*为支持向量的系数；因非支持向量对应的α*为0，所有n为支持向量的个数；xi为所确定的支持向量；b*为分类阈值。
3.如权利要求2所述的基于支持向量机的智能识别系统，其特征在于，根据Mercer条件，选定一函数K来对应某变换空间的内 积Φ(xi)·Φ(x)，令K(xi·x)＝Φ(xi)·Φ(x)，函数K为核函数；公式(4)改成：
采用RBF核函数，则公式(5)改为：
4.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1-3任意一项所述基于支持向量机的智能识别系统。
5.一种利用权利要求1-3任意一项所述基于支持向量机的智能识别系统的识别内部结构损伤情况的民航发动机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400535.3A CN111582510B (zh) | 2020-05-13 | 2020-05-13 | 基于支持向量机的智能识别方法、识别系统及民航发动机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400535.3A CN111582510B (zh) | 2020-05-13 | 2020-05-13 | 基于支持向量机的智能识别方法、识别系统及民航发动机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582510A CN111582510A (zh) | 2020-08-25 |
| CN111582510B true CN111582510B (zh) | 2021-08-31 |
Family
ID=72113530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010400535.3A Expired - Fee Related CN111582510B (zh) | 2020-05-13 | 2020-05-13 | 基于支持向量机的智能识别方法、识别系统及民航发动机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582510B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464573B (zh) * | 2020-12-11 | 2023-06-30 | 中国民用航空飞行学院 | 试变异粒子群优化方法、系统、计算机设备、介质及应用 |
| CN112987572B (zh) * | 2021-02-26 | 2022-07-22 | 河海大学 | 一种基于先验知识的自适应球杆系统粒子群优化方法 |
| CN114237110A (zh) * | 2021-12-13 | 2022-03-25 | 中国民用航空飞行学院 | 基于多模态数据驱动的通用航空机队可靠性监测预警系统 |
| CN114589697B (zh) * | 2022-03-22 | 2024-05-28 | 海风智能科技(浙江)有限公司 | 一种智能消杀巡检环境调节机器人及控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378433A (zh) * | 2019-07-24 | 2019-10-25 | 重庆大学 | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 |
| CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100456619B1 (ko) * | 2001-12-05 | 2004-11-10 | 한국전자통신연구원 | 에스.브이.엠(ｓｖｍ)을 이용한 얼굴 등록/인증 시스템 및방법 |
| CN102999756B (zh) * | 2012-11-09 | 2016-01-06 | 重庆邮电大学 | 基于gpu实现pso-svm对道路标志的识别方法 |
| CN104753461B (zh) * | 2015-04-10 | 2017-04-12 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
| CN106482967B (zh) * | 2016-10-09 | 2019-10-29 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
| CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
| CN109902339A (zh) * | 2019-01-18 | 2019-06-18 | 昆明理工大学 | 一种基于iaga-svm的滚动轴承故障诊断方法 |
-
2020
- 2020-05-13 CN CN202010400535.3A patent/CN111582510B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378433A (zh) * | 2019-07-24 | 2019-10-25 | 重庆大学 | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 |
| CN110969096A (zh) * | 2019-11-07 | 2020-04-07 | 国电南京自动化股份有限公司 | 基于粒子群优化支持向量机的电机故障模式诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582510A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582510B (zh) | 基于支持向量机的智能识别方法、识别系统及民航发动机 | |
| CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
| Cong et al. | Image segmentation algorithm based on superpixel clustering | |
| CN114821069B (zh) | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 | |
| CN112528845B (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
| CN110852417B (zh) | 面向物联网应用的单深度神经网络模型鲁棒性提升方法 | |
| CN113989582A (zh) | 一种基于密集语义对比的自监督视觉模型预训练方法 | |
| CN114692488A (zh) | 一种超临界翼型的生成方法、装置、电子设备及存储介质 | |
| Yang et al. | Facial expression recognition algorithm based on CNN and LBP feature fusion | |
| CN113538472B (zh) | 一种基于编码-解码网络的向量场引导精细化分割方法 | |
| Liu et al. | Active contour driven by adaptive‐scale local‐energy signed pressure force function based on bias correction for medical image segmentation | |
| CN116912595A (zh) | 一种基于对比学习的跨域多模态遥感图像分类方法 | |
| CN116151356A (zh) | 一种优化卷积神经网络的方法、系统、设备及介质 | |
| CN115344693B (zh) | 一种基于传统算法和神经网络算法融合的聚类方法 | |
| WO2022121545A1 (zh) | 一种基于图卷积网络的网格分割方法 | |
| CN115358283A (zh) | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 | |
| CN110751662B (zh) | 量子行为粒子群优化模糊c均值的图像分割方法及系统 | |
| Guan et al. | Extracting Wetland Type Information with a Deep Convolutional Neural Network | |
| Si et al. | A Simple and Effective Method to Defend Against Saliency Map Attack | |
| Wang et al. | PolSAR-SSN: an end-to-end superpixel sampling network for PolSAR image classification | |
| Zhang et al. | Feature Map Convergence Evaluation for Functional Module | |
| Qian | Face recognition technology for video surveillance integrated with particle swarm optimization algorithm | |
| Binas et al. | Low-memory convolutional neural networks through incremental depth-first processing | |
| Dong et al. | Adversarial metric knowledge distillation | |
| CN114627289B (zh) | 基于投票机制的工业零件实例分割方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210831 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |