CN113642649A - 一种基于支持向量机的hplc通信模块合格分类方法 - Google Patents

一种基于支持向量机的hplc通信模块合格分类方法 Download PDF

Info

Publication number
CN113642649A
CN113642649A CN202110935056.6A CN202110935056A CN113642649A CN 113642649 A CN113642649 A CN 113642649A CN 202110935056 A CN202110935056 A CN 202110935056A CN 113642649 A CN113642649 A CN 113642649A
Authority
CN
China
Prior art keywords
classification
support vector
vector machine
model
training
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.)
Withdrawn
Application number
CN202110935056.6A
Other languages
English (en)
Inventor
翟晓卉
孙凯
赵吉福
陈琳
孙艳玲
董贤光
邢宇
刘蜜
郭凯旋
王艳
邢宝山
法玉宁
李莹
顾卫国
田霜
邹璐
刘美明
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.)
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Original Assignee
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
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 Marketing Service Center of State Grid Shandong Electric Power Co Ltd filed Critical Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Priority to CN202110935056.6A priority Critical patent/CN113642649A/zh
Publication of CN113642649A publication Critical patent/CN113642649A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines

Abstract

本发明公开一种电力线载波模块的分类方法，本发明包括：在同一环境下，对HPLC通信模块进行通讯检测和功耗检测，建立测试数据库，并将测试数据库分为训练组和测试组；随后建立支持向量机数学模型，将训练组数据库作为训练样本输入模型中，得到支持向量机的决策函数，用训练后的模型对测试组进行分类；模型训练完成后，把测试数据代入训练后的数学模型，评价模型精度，如果分类结果不能满足分类要求，增加训练组重新训练，如果满足精度要求，则该模型可用于电力线载波模块的通信性能分类。本发明可以确保电力线载波模块在实际应用前拥有较好的性能，能有效提高HPLC通信模块合格分类效率并提高分类的合格率。

Description

一种基于支持向量机的HPLC通信模块合格分类方法
技术领域
本发明涉及HPLC通信模块的合格分类领域，提出一种基于支持向量机的HPLC通信模块合格分类方法，适用于提高HPLC通信模块合格分类效率及合格率。
背景技术
HPLC技术是一种高速电力线通信技术，电力线技术指利用电力线作为通讯介质进行数据传输的一种通讯技术。智能电表HPLC通信模块是电力线数据传输的重要部分，现在有许多厂家都在生产HPLC模块，有大量的HPLC模块等待质检，而现在的质检方法是人工质检，人工质检需要工人面对大量的数据，这种方法不仅效率低而且在进行长时间的数据检查中，工人检查的准确率会降低，从而导致产品合格率降低。
支持向量机(SVM)是一种基于统计学习理论的新型机器学习技术，采用优化技术作为实现手段。它使用结构风险最小化的原理训练模型，并具有最佳的泛化能力。SVM模型最终转化为具有线性约束的二次规划问题，由最优化理论保证其获得全局最优解。SVM在面多庞大的数据面前可以很好的解决二分类问题，将其运用于HPLC模块合格分类方面可以很快的将HPLC模块分类为合格和不合格两种，能有效的解决人工分类效率低的问题。
发明内容
为了解决上述问题，本发明提出了一种基于支持向量机的HPLC模块合格分类方法。
一种基于支持向量机的HPLC模块合格分类方法，其特征在于，包括如下步骤：
S1：对数据进行处理，选取HPLC的静态功率、动态功率、功率谱密度、通信速率、网络延时、灵敏度等7个特征值作为特征参数，并将其数据分为两组，一组为测试组，一组为训练组；
S2：建立非线性支持向量机模型，具体如下：
选择径向基核函数作为支持向量机核函数，径向基核函数为：
k(x,x')＝exp(-σ||x-x'||2)
也可称为高斯核函数：
Figure BDA0003212698300000011
σ为高斯径向基参数，径向基函数是一个实值函数
Figure BDA0003212698300000021
其值仅取决于特定点的距离。
将支持向量机的求解问题转化为相应的对偶问题：
Figure BDA0003212698300000022
Figure BDA0003212698300000023
α＝(α1,...,αn)T,β＝(β1,...,βn)T是Lagrange乘子，C为惩罚函数，xi∈Rl，yi∈{1,-1},i＝1,2,...,n。
相应的，则有：
求解上述二次规划，得到最优解
Figure BDA0003212698300000024
可以求出：
Figure BDA0003212698300000025
根据互补松弛条件：
Figure BDA0003212698300000026
对应
Figure BDA0003212698300000027
的样本点，有yi(ω*·xi+b)＝1-ξi成立，这些样本点成为支持向量。进一步，选取
Figure BDA0003212698300000028
可得：
Figure BDA0003212698300000029
确定新的决策函数：
Figure BDA00032126983000000210
Figure BDA00032126983000000211
则决策函数为：
Figure BDA00032126983000000212
Figure BDA00032126983000000213
为了更好的得到分类结果，选用交叉验证的方法进行对径向基核函数系数的选取；
S3：归一化样本的特征数据，使得所有数据限制在[0,1]区间内。对训练集和测试集进行归一化预处理，采用的归一化映射如下：
Figure BDA0003212698300000031
其中，x,y∈Rn；xmin＝min(x)；xmax＝max(x)。归一化的效果是原始数据被规整到[0,1]范围内，即yi∈[0,1],i＝1,2,l,…n，这种归一化方式称为[0,1]区间归一化。
S4：在SVM训练中选择合适的核函数，本模型选择高斯径向基核函数；
S5：采用交叉验证法寻找最佳参数；
S6：在MATLAB软件中创建和训练SVM模型；
S7：、在MATLAB软件中测试SVM模型对测试集分类的准确率。
进一步地，S2中所述的SVM模型是一种基于统计学理论的新型机器学习技术，它使用优化技术作为实现手段，它使用的是结构风险最小化的原理训练模型，并具有最佳的泛化能力。
进一步地，S3中所述，对训练集和测试集均进行归一化处理，使原始数据被规整到[0,1]，更有利于模型的训练和测试。
进一步地，S7中所述SVM分类模型能够在MATLA软件中仿真实现，该合格分类方法能直接进行大量是数据分类，来提高合格分类的效率。
如上所述，本发明提供的一种基于支持向量机的HPLC通信模块合格分类方法，具有如下效果：
1、该方法采用HPLC的静态功率、动态功率、频段1和频段2的功率谱密度、通信速率、网络延时和灵敏度共7种特征数据，共300组，其中280组为训练集，其余20组为测试集。其中，通信状态合格的HPLC类型为1，其他不合格类型为2。经过训练后得到的模型可以对大量的数据进行合格分类，其分类的速度更快，效率更高。
2、该方法将支持向量机引入HPLC模块的合格分类用来代替人工分类，通过支持向量机在对大量数据进行训练后得到训练后的模型之后，就可以在大量测试数据时进行有效的分类，在分类结果上相比于人工分类的准确率也会相对提高，而且其操作方便。
附图说明
图1是本发明方法的支持向量机(SVM)算法流程图；
图2是本发明方法在80组设备数据训练后测试20组数据的分类结果；
图3是本发明方法在180组训练后测试20组数据的分类结果；
图4是本发明方法在280组训练后测试20组数据的分类结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
S1：对数据进行处理，选取HPLC的静态功率、动态功率、功率谱密度、通信速率、网络延时、灵敏度等7个特征值作为特征参数，并将其数据分为两组，一组为测试组，一组为训练组；
S2：建立非线性支持向量机模型，具体如下：
选择径向基核函数作为支持向量机核函数，径向基核函数如式(1)所示：
k(x,x')＝exp(-σ||x-x'||2) (1)
也可称为高斯核函数，如式(2)所示：
Figure BDA0003212698300000041
σ为高斯径向基参数，径向基函数是一个实值函数
Figure BDA0003212698300000042
其值仅取决于特定点的距离。
将支持向量机的求解问题转化为相应的对偶问题，如式(3)所示：
Figure BDA0003212698300000043
α＝(α1,...,αn)T,β＝(β1,...,βn)T是Lagrange乘子，C为惩罚函数，xi∈Rl，yi∈{1,-1},i＝1,2,...,n。
相应的，则有：
求解上述二次规划，得到最优解
Figure BDA0003212698300000051
可以求出：
Figure BDA0003212698300000052
对应
Figure BDA0003212698300000053
的样本点，有yi(ω*·xi+b)＝1-ξi成立，这些样本点成为支持向量。进一步，选取
Figure BDA0003212698300000054
可得：
Figure BDA0003212698300000055
确定新的决策函数，如式(6)所示：
Figure BDA0003212698300000056
Figure BDA0003212698300000057
则决策函数为，如式(8)所示：
Figure BDA0003212698300000058
Figure BDA0003212698300000059
为了更好的得到分类结果，选用交叉验证的方法进行对径向基核函数系数的选取；
S3：归一化样本的特征数据，使得所有数据限制在[0,1]区间内。对训练集和测试集进行归一化预处理，采用的归一化映射如下：
Figure BDA00032126983000000510
其中，x,y∈Rn；xmin＝min(x)；xmax＝max(x)。归一化的效果是原始数据被规整到[0,1]范围内，即yi∈[0,1],i＝1,2,l,…n，这种归一化方式称为[0,1]区间归一化。
S4：在SVM训练中选择合适的核函数，本模型选择高斯径向基核函数；
S5：采用交叉验证法寻找最佳参数；
S6：在MATLAB软件中创建和训练SVM模型；
S7：、在MATLAB软件中测试SVM模型对测试集分类的准确率。
所述基于支持向量机的HPLC通信模块合格分类能够在MATLA软件中仿真，该分类方法在通过训练集达到相应精度的情况下能直接运行于HPLC通信模块合格分类系统中，来提高合格分类效率。
所述基于支持向量机的HPLC通信模块合格分类系统，以HPLC的静态功率、动态功率、频段1和频段2的功率谱密度、通信速率、网络延时和灵敏度共7个特征数据，并将其分为训练组和测试组；利用支持向量机(SVM)是一种基于统计学理论的新型机器学习技术，它使用优化技术作为实现手段，它使用的是结构风险最小化的原理训练模型，并具有最佳的泛化能力。SVM模型最终转化为具有线性约束的二次规划问题，从几何角度看，就是采用两个具有最大间距的平行分割超平面，尽可能地分离正样本点和负样本点；根据支持向量机的原理，选择合适的核函数，通过交叉验证法寻找最佳参数；通过对参数的调节，可实现支持向量机对参数的优化；并通过支持向量机实现对HPLC通信模块的合格分类；支持向量机分类流程如图1所示；训练数据分别为80组、180组和280组，测试数据均为20组时的分类结果分别如图2、图3和图4所示。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (4)

1.一种基于支持向量机的HPLC通信模块合格分类方法，其特征在于，包括如下步骤：
S1：对数据进行处理，选取HPLC的静态功率、动态功率、功率谱密度、通信速率、网络延时、灵敏度等7个特征值作为特征参数，并将其数据分为两组，一组为测试组，一组为训练组；
S2：建立非线性支持向量机模型，具体如下：
选择径向基核函数作为支持向量机核函数，径向基核函数为：
k(x,x')＝exp(-σ||x-x'||2)；
也可称为高斯核函数：
Figure FDA0003212698290000011
σ为高斯径向基参数，径向基函数是一个实值函数
Figure FDA0003212698290000012
其值仅取决于特定点的距离；
将支持向量机的求解问题转化为相应的对偶问题：
Figure FDA0003212698290000013
式中，α＝(α1,...,αn)T,β＝(β1,...,βn)T是Lagrange乘子，C为惩罚函数，xi∈Rl，yi∈{1,1},i＝1,2,...,n；
相应的，则有：
求解上述二次规划，得到最优解
Figure FDA0003212698290000014
可以求出：
Figure FDA0003212698290000015
根据互补松弛条件：
Figure FDA0003212698290000016
对应
Figure FDA0003212698290000017
的样本点，有yi(ω*·xi+b)＝1-ξi成立，这些样本点成为支持向量，进一步，选取
Figure FDA0003212698290000021
可得：
Figure FDA0003212698290000022
确定新的决策函数：
Figure FDA0003212698290000023
Figure FDA0003212698290000024
则决策函数为：
Figure FDA0003212698290000025
Figure FDA0003212698290000026
为了更好的得到分类结果，选用交叉验证的方法进行对径向基核函数系数的选取；
S3：归一化样本的特征数据，使得所有数据限制在[0,1]区间内，对训练集和测试集进行归一化预处理，采用的归一化映射如下：
f:
Figure FDA0003212698290000027
其中，x,y∈Rn；xmin＝min(x)；xmax＝max(x)，归一化的效果是原始数据被规整到[0,1]范围内，即yi∈[0,1],i＝1,2,l,…n，这种归一化方式称为[0,1]区间归一化；
S4：在SVM训练中选择合适的核函数，本模型选择高斯径向基核函数；
S5：采用交叉验证法寻找最佳参数；
S6：在MATLAB软件中创建和训练SVM模型；
S7：、在MATLAB软件中测试SVM模型对测试集分类的准确率。
2.根据权利要求1所述的一种基于支持向量机的HPLC通信模块合格分类方法，其特征在于：支持向量机(SVM)是一种基于统计学理论的新型机器学习技术，它使用优化技术作为实现手段，它使用的是结构风险最小化的原理训练模型，并具有最佳的泛化能力。
3.根据权利要求1所述的一种基于支持向量机的HPLC通信模块合格分类方法，其特征在于：SVM模型最终转化为具有线性约束的二次规划问题，支持向量机方法最初是为两种模式的分类而提出的，从几何角度看，就是采用两个具有最大间距的平行分割超平面，尽可能地分离正样本点和负样本点，在用于HPLC通信模块合格分类时也会有相对较好的效果。
4.根据权利要求1所述的一种基于支持向量机的HPLC通信模块合格分类方法，其特征在于：该方法采用HPLC的静态功率、动态功率、频段1和频段2的功率谱密度、通信速率、网络延时和灵敏度共7种特征数据，共300组，其中280组为训练集数据，其余20组为测试集，其中，通信状态合格的HPLC类型为1，其他不合格类型为2，在经过训练之后得到的模型即可以对之后大量的数据进行合格分类，其分类的速度更快，效率更高。
CN202110935056.6A 2021-08-16 2021-08-16 一种基于支持向量机的hplc通信模块合格分类方法 Withdrawn CN113642649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110935056.6A CN113642649A (zh) 2021-08-16 2021-08-16 一种基于支持向量机的hplc通信模块合格分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110935056.6A CN113642649A (zh) 2021-08-16 2021-08-16 一种基于支持向量机的hplc通信模块合格分类方法

Publications (1)

Publication Number Publication Date
CN113642649A true CN113642649A (zh) 2021-11-12

Family

ID=78421863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110935056.6A Withdrawn CN113642649A (zh) 2021-08-16 2021-08-16 一种基于支持向量机的hplc通信模块合格分类方法

Country Status (1)

Country Link
CN (1) CN113642649A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070265991A1 (en) * 2006-05-15 2007-11-15 Nec Laboratories America, Inc. Method and Apparatus for Transductive Support Vector Machines
CN102566505A (zh) * 2012-02-27 2012-07-11 温州大学 一种数控机床的智能故障诊断方法
CN106529576A (zh) * 2016-10-20 2017-03-22 天津大学 基于测度学习改进支持向量机的钢琴乐谱难度识别算法
CN108268905A (zh) * 2018-03-21 2018-07-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机的变压器故障诊断方法及系统
CN108876039A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于支持向量机的含分布式电源配电网电能质量预测方法
CN109165687A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于多分类支持向量机算法的车用锂电池故障诊断方法
CN110059732A (zh) * 2019-04-01 2019-07-26 东南大学 一种内燃机多故障诊断方法
CN110751103A (zh) * 2019-10-22 2020-02-04 中国电子科技集团公司信息科学研究院 一种用于物体内部检测的微波信号分类方法及系统
CN111914882A (zh) * 2020-06-18 2020-11-10 北京百度网讯科技有限公司 支持向量机的生成方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070265991A1 (en) * 2006-05-15 2007-11-15 Nec Laboratories America, Inc. Method and Apparatus for Transductive Support Vector Machines
CN102566505A (zh) * 2012-02-27 2012-07-11 温州大学 一种数控机床的智能故障诊断方法
CN106529576A (zh) * 2016-10-20 2017-03-22 天津大学 基于测度学习改进支持向量机的钢琴乐谱难度识别算法
CN108268905A (zh) * 2018-03-21 2018-07-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机的变压器故障诊断方法及系统
CN108876039A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于支持向量机的含分布式电源配电网电能质量预测方法
CN109165687A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于多分类支持向量机算法的车用锂电池故障诊断方法
CN110059732A (zh) * 2019-04-01 2019-07-26 东南大学 一种内燃机多故障诊断方法
CN110751103A (zh) * 2019-10-22 2020-02-04 中国电子科技集团公司信息科学研究院 一种用于物体内部检测的微波信号分类方法及系统
CN111914882A (zh) * 2020-06-18 2020-11-10 北京百度网讯科技有限公司 支持向量机的生成方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张艳;吴玲;: "基于支持向量机和交叉验证的变压器故障诊断", 中国电力, no. 11 *
成霞: "锂电池化成质量评估及智能筛选系统设计与实现", 中国优秀硕士学位论文全文数据库信息辑, no. 2, pages 2 *

Similar Documents

Publication Publication Date Title
CN107292350A (zh) 大规模数据的异常检测方法
CN109993236A (zh) 基于one-shot Siamese卷积神经网络的少样本满文匹配方法
Tanielian et al. Learning disconnected manifolds: a no gan’s land
CN105045913B (zh) 基于WordNet以及潜在语义分析的文本分类方法
CN108171012B (zh) 一种基因分类方法与装置
CN106611193A (zh) 一种基于特征变量算法的图像内容信息分析方法
CN106203483A (zh) 一种基于语义相关多模态映射方法的零样本图像分类方法
CN105975611A (zh) 自适应组合降采样增强学习机
CN103258210A (zh) 一种基于字典学习的高清图像分类方法
CN103942749A (zh) 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN110414587A (zh) 基于渐进学习的深度卷积神经网络训练方法与系统
CN105929113A (zh) 一种带子空间投影的电子鼻信号误差自适应学习方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN103020167A (zh) 一种计算机中文文本分类方法
Li et al. Support cluster machine
CN107578063B (zh) 基于快速选取地标点的图像谱聚类方法
CN105046323A (zh) 一种正则化rbf网络多标签分类方法
CN107368611B (zh) 一种短文本分类方法
CN113447759A (zh) 一种多分类的rvm电网故障判别方法和系统
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN106469318A (zh) 一种基于L2稀疏限制的特征加权k‑means聚类方法
CN110929761A (zh) 智能系统安全体系态势感知构架中采集样本的平衡方法
Liu et al. Sample hardness based gradient loss for long-tailed cervical cell detection
Zhang et al. S4od: Semi-supervised learning for single-stage object detection

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211112

WW01 Invention patent application withdrawn after publication