CN114692677A - 一种基于多目标特征选择的焊接缺陷识别方法 - Google Patents

Abstract

本发明公开了一种基于多目标特征选择的焊接缺陷识别方法，属于信号处理领域。以采集的焊接电信号、焊接电弧声信号为基础，从中提取出对应的特征参数。在多源传感带来的焊接大数据背景下，提取出的特征中包含大量冗余与噪声特征，采用提出的基于互信息的多目标特征选择方法MOFSMI将特征选择问题转化为多目标优化问题进行迭代寻优。求出一组Pareto最优子集之后，依据特定的分类器的分类错误率从Pareto最优解集中确定最优特征子集。而能够对高维特征矩阵中的有效特征信息进行深入的挖掘，得到质量较高的特征子集，有效地提高了缺陷识别的准确率。

Description

一种基于多目标特征选择的焊接缺陷识别方法

技术领域

本发明涉及特征选择领域，尤其涉及一种应用于焊接缺陷识别的多目标特征选择领域。

背景技术

新能源汽车电池盒包底盘作为典型的大尺寸铝合金薄壁零件，其外壳封装焊接的连续性、一致性将严重影响着整套电池组的一致性与安全性，因此对其焊接质量进行管控是非常重要的。同时，由于铝合金材料具有熔点低、导热系数大、导电性高以及线膨胀系数大的特点，在实际焊接过程中极易产生诸如气孔、咬边、驼峰焊道等焊接缺陷，这些缺陷的存在会极大的影响焊接接头强度及最终产品的使用性能，是制约焊接生产效率的主要原因。并且因为铝合金薄壁腔体材料冶金、热传导过程存在着非线性与不确定性等多因素的影响，使得焊接缺陷产生的机理、缺陷产生过程及其特征极为复杂，以至于难以实现焊接缺陷的在线监测。传统的焊后检验方式，如目视、超声、射线等耗时费力，缺乏实时性，无法及时给焊接过程提供有效的质量反馈信息，以至于很多焊接缺陷未能够在第一时间被发现，最终导致焊接质量较差，难以满足现代制造业对焊接制造高质量、高效率、高成本的要求。传感技术是实现焊接缺陷检测的关键技术，但传统的单一传感技术在信息的全面性与可靠性方面存在各自的不足之处，例如电弧电压传感易受高频磁场影响；声音传感信息量单一，易受环境噪声干扰；光谱传感信息量爆炸，特征提取困难，易受材料化学成分影响。因此，如果可以同步获取并融合焊接过程中的声、电等多类源信息，充分利用不同传感器信息的互补性，则可以实现对焊接动态过程更为全面、可靠而精确的描述与监测。

基于多源信息融合的焊接质量预测的优势在于通过各个传感器的互补使得信息表达更为全面。但多源信息融合在为我们带来更多的数据的同时，也使得特征空间包含了大量不相关或者冗余的特征。冗余的特征之间存在着多重共线性，会导致解空间的不稳定，从而影响模型的泛化能力。

发明内容

传统的特征选择方法在搜索空间中包含不相关和冗余特征时会导致预测性能较差、计算成本增加。并且，其使用基于贪心思想的搜索方法进行特征选择，这存在着陷入局部最优的风险。因此，针对以上问题提出了一种基于互信息的多目标特征选择方法MOFSMI。该方法首先对CMI(条件互信息)中的冗余度衡量准则在多目标优化中的应用进行了改进，使其能够更为准确的进行冗余度的衡量；其次，基于所提出的冗余与互补度量准则，提出一种基于特征冗余互补信息的种群初始化策略，使迭代结果更收敛于Pareto前沿面；然后，采用帕累托最优性来评估候选特征子集，以找到具有最大相关性、最小冗余与最大互补的特征子集；最后，采用支持向量机与K最近邻(KNN，K-Nearest-Neighbor)作为学习器来验证所提出的算法的有效性。

为了实现上述目的，首先对焊接过程的电信号特征、声信号特征进行提取；其次以特征空间冗余度与相关性以及互补性为基础建立了多目标优化数学模型，以解决传统的基于贪心思想的搜索方法会陷入局部最优的这一问题。最终将特征选择问题转化为多目标优化问题寻求Pareto最优解。本发明技术方案为一种基于多目标特征选择的焊接缺陷识别方法，该方法包括以下步骤：

步骤1：特征提取；

步骤1.1：对电弧电信号进行自适应完备经验模态分解得到一系列IMF分量，然后利用皮尔斯相关系数法确定与焊接熔滴过渡密切相关的IMF分量，对与熔滴过渡过程密切相关的IMF分量进行特征提取；

步骤1.2：提取焊接过程电弧声信号的时、频域特征及倒谱域特征MFCC参数作为焊接动态过程电弧声音特征参数；

步骤2：建立多目标优化问题的目标函数；

步骤2.1：基于对称不确定性建立特征子集相关性；

给定特征f与类别C，其相关性用互信息I(f；C)为：

I(f；C)＝H(f)-H(f|C) (1)

其中，H(f)表示特征f的熵，H(f|C)表示类别C已知情况下特征f的条件熵。

对称不确定性SU(f，C)为：

H(C)表示类别C的熵，利用特征f与类别C之间的对称不确定性来衡量特征与类别的相关性；给定一个特征子集S，特征子集的相关性F_rele(S)表示为：

其中，f_i表示第i个待选特征，该式表示由每个特征和类变量之间的所有对称不确定性的总和；

步骤2.2：特征子集的冗余度评价标准为：

其中F_red(S)表示特征子集的冗余度；

其中，f_s为已选特征；I(C；f_i)、I(C；f_s)为特征与标签的互信息；I(f_s；f_i)表示特征之间的互信息；H(f_s)表示特征f_s的信息熵，H(f_i)表示特征f_i的信息熵、H(C)表示类别标签C的信息熵；H(f_i|C)表示类别C已知情况下特征f_i的条件熵；

步骤2.3：特征子集互补性评价函数F_comp(S)为：

且I(f_i；C|f_j)-I(f_i；C) (6)

步骤2.4：基于上述分析，可建立基于信息论的多目标优化数学模型，表示为：

min(-F_rele(S)，F_redu(S)，-F_comp(S))^T，S＝(f₁，…，f_m) (7)

其中，S为特征空间，m为特征空间特征数量，F_rele(S)为特征子集的相关性，F_redu(S)为特征子集的冗余度，F_comp(S)为特征子集的互补性；

步骤3：采用特征聚类方法计算步骤2.4中的目标函数，得到一组Pareto最优解集；

步骤4：基于所获取的最优特征子集建立起焊接缺陷识别模型，从而实现对焊接缺陷的识别。

进一步的，所述步骤3的具体方法为：

步骤3.1：基于改进的特征聚类方法进行种群初始化得到初代种群；

步骤3.2：对初始种群进行一次非支配排序后通过选择、交叉、变异操作得到第一代子代种群；

步骤3.3：从第二代开始，设当前父代种群P_t规模为N，然后将P_t进行选择、交叉与变异得到规模为N的子代种群Q_t，再将父代种群与子代种群合并得到规模为2N的种群R_t，对种群R_t的个体进行快速非支配排序，获得个体的Pareto等级i_rank；快速非支配排序步骤如下所示：

步骤3.3.1：首先，对种群R_t中的每一个个体计算两个参数n_p与s_p，n_p表示支配着当前的个体p的个体数量，s_p表示当前的解p支配着的个体集合；

步骤3.3.2：对所有n_p＝0的个体首先赋予其当前Pareto等级rank，之后将rank加一，然后遍历其所支配的个体集合s_p中的每一个个体q，在这些个体q的被支配n_q中移除当前的个体p；

步骤3.3.3：重复步骤3.3.2直到为种群R_t中的每一个个体都分配了其Pareto等级i_rank为止；

步骤3.4：对合并的种群R_t的个体进行拥挤度计算，计算方法如下：

其中，i_d表示i点的拥挤度，

表示第i+1个点的第j个目标函数值，

表示第i-1个点的第j个目标函数值；

表示第j个目标函数的最大值，

表示第j个目标函数的最小值；

步骤3.5：根据精英保留策略，选择个体组成新父代P_t+1，首先将父代种群P_t和子代种群Q_t合成新种群R_t，并根据如下步骤从种群R_t中生成新的父代种群P_t+1；

步骤3.5.1：根据步骤3.3所得到的Pareto等级i_rank从低到高的顺序，将整层种群放入父代种群P_t+1，直到某一层的个体不能全部放入父种群P_t+1；

步骤3.5.2：将该层个体根据步骤3.4所提出的拥挤度i_d从大到小排列再进行放入操作直到父代种群P_t+1填满；

步骤3.6：从步骤3.3开始重复步骤，直到满足最大迭代次数，得到一组Pareto最优解集，基于选定的分类器以最小分类错误率为依据确定出最优特征子集。

进一步的，所述步骤3.6中，选用分类器为支持向量机或KNN。

本发明通过融合焊接过程电信息源与焊接过程声信息源的方式获取了焊接过程大数据，并基于此构建了高维特征矩阵，相较于单一信息源的方法具有对焊接过程的描述更全面、可靠的优点；并对特征之间的冗余度衡量标准进行了改进，从而能够对高维特征矩阵中的有效特征信息进行深入的挖掘，得到质量较高的特征子集，有效地提高了缺陷识别的准确率。

附图说明

图1是焊接过程夹具夹持方法示意图；

图2是特征子集分类准确率比较(SVM)；

图3是特征子集分类准确率比较(KNN)；

图4是总体方案设计图；

图5是焊接过程电弧电信号、声信号特征分析提取流程图；

图6是焊接特征选择总体流程图；

图7是迭代寻优流程图；

图8是MOFSMI框架图。

具体实施方式

下面结合实例对本发明的具体实施方式作进一步的说明。

本实验依托于大尺寸铝合金薄壁腔体零件-铝合金电池盒托盘的焊接生产过程，以TL116铝合金为实验对象。数据采集系统主要由电弧声信号采集系统以及电信号采集系统组成，电弧声信号采集系统包括MP201自由场传声器以及用于信号滤波放大的MC104信号调节器；电信号采集系统使用霍尔传感器采集；两种信号获取后通过信号采集卡进行同步采集。本发明所涉及的基于多源信息融合的焊接特征选择方法如图4所示，包括以下步骤：

步骤1：获取传感源的信号特征，共提取了80维特征数据作为原始特征空间。提取方案如图5所示。

步骤1.1：首先对焊接过程电信号进行CEEEMDAN分解得到一系列IMF分量，然后利用皮尔森相关系数法确定与电弧电信号与焊接熔滴过渡过程密切相关的IMF分量，并对其进行时频域特征参数的提取，最后分析了所提取的特征参数与熔滴过渡稳定性之间的关系。

步骤1.2：对焊接电弧声信号进行时域、频域以及倒谱参数的提取，并分析了所提取的特征参数与熔滴过渡稳定性之间的关系。

步骤1.2.1：对原始语音信号s(n)进行分帧、加窗后获得对应于每个语音帧的时域信号x(n)。并由离散傅里叶变换得到线性频谱X(k)如下

步骤1.2.2：将X(k)通过Mel频率滤波器组得到Mel频率。其中Mel频率滤波器组为在语音的频谱范围内设置的若干个三角滤波器H_m(k),M为滤波器个数。H_m(k)如下：

其中，f(m)定义为

式中，f₁,f_h为滤波器的频率应用范围的最低频率和最高频率，N为DFT窗宽，F_s为采样频率，而B^-1为B的逆函数，M为滤波器个数。

步骤1.2.3：将上述通过Mel滤波器组得到的Mel频谱计算出对数能量值。则由线性频谱X(k)到对数频谱S(m)的总传递函数为式：

步骤1.2.4：将对数频谱S(m)经过离散余弦变换(DCT)变换后得到Mel频率倒谱系数MFCC参数c(n)为

步骤2：基于信息论对特征子集的相关性、冗余度及进行了评价，将特征选择问题转化为三目标优化问题。主要操作步骤如下：

步骤2.1：基于对称不确定性建立特征子集相关性。

给定特征f与类别C，其相关性用互信息可表示为

I(f；Y)＝H(C)-H(t|C) (14)

对称不确定性可表达为

利用特征f与类别C之间的对称不确定性来衡量特征与类别的相关性。给定一个特征子集S，特征子集的相关性可表示为

其中，C为类别标签。该式定义了由每个特征和类变量之间的所有对称不确定性的总和。

步骤2.2：基于信息论的条件互信息算法CMI使用R(f_i；f_s)来量化已选择f_i与待选择特征f_s之间关于标签C的信息冗余。如式所示：

其中，I(C；f_i)、I(C；f_s)为特征与标签的互信息，H(C)表示信息熵，I(C；f_i|f_s)为f_s已知情况下f_i与C的互信息。如果R(f_i；f_s)为0，则说明特征f_i，f_s独立于标签C；反之说明特征f_i，f_s与标签C具有强冗余关系。其假设信息均匀的分布在H(f_s)中，因此可以对R(f_i；f_s)进行适当的估计如下式：

其中，I(f_i；f_s)是f_i与f_s的互信息，H(C)与H(f_s)表示信息熵。

CMI算法采用贪心式的思想将特征逐一放入特征集合中进行冗余度测试，故其认为信息分布仅取决于H(f_s)。但在启发式的特征选择过程中，种群中的个体代表了一个特征子集的权值向量，向量中的每一项代表当前特征的重要程度。因此不存在已选择特征与待选择特征的区别。所以，仍以CMI的假设认为信息分布仅取决于H(f_s)是不合理的。因此，本文同样假设信息也是均匀的分布在H(f_i)中的，那么改进后的冗余评判标准可表达为

最终可定义特征子集的冗余度为

步骤2.3：特征子集互补性评价函数的建立。

交互信息IF(f_i；f_j；C)可表达为

IF(f_i；f_j；C)＝I(f_i；C|f_j)-I(f_i；C) (21)

IF(f_i；f_j；C)可以是正数、负数或者零。当为正时，特征f_i与f_s之间的协同信息大于各自信息总和，说明特征是互补的；当为负时，表示它们提供了冗余信息；当为零时，表明特征f_i与f_s关于标签独立。特征子集的交互信息可表达为

且I(f_i；C|f_j)-I(f_i；C) (22)

步骤2.4：焊接缺陷特征选择问题可被转化为一个使冗余度尽可能低，相关性、互补性尽可能高的一个三目标优化问题，可表示为

min(-F_rele(S),F_redu(S),-F_comp(S))^T，S＝(f₁,…,f_m) (23)

其中，S为特征空间，f_i(i∈[1,m])是特征空间的特征，m为特征空间特征数量。F_rele(S)为特征子集的相关性，F_redu(S)为特征子集的冗余度，F_comp(S)为特征子集的互补性。

步骤3：当一个问题中存在着多个目标时，会产生一组Pareto最优解。非支配排序的遗传算法是最早的求解多目标Pareto最优解的进化算法之一，但其存在着计算复杂度高，缺乏精英主义等问题。因此，本文引入快速非支配排序的遗传算法(NSGAⅡ)解决其计算复杂度高、缺乏精英主义等问题。算法流程如图8所示。具体步骤如下：

步骤3.1：提出一种新的特征聚类种群初始化策略，该方法按下述规则评估特征的相似性

基于此，构建相似矩阵

M_sim(i,j)＝J(f_j；f_i) (25)

计算相似矩阵的中位数Med，并由此构建特征邻接矩阵M_f如下

M_f(i,j)如果为1，则说明特征f_i与f_s关于标签具有较强的冗余性并且互补能力较弱。因此，具有较强的冗余性并且互补能力较弱的特征被认为属于一个聚类community。

步骤3.2：对初始化的种群中所有个体进行非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群。

步骤3.3：从第二代开始，假设当前父代种群为规模为N的P_t，然后将种群进行选择、交叉与变异得到规模为N的子代种群Q_t，再将父代种群与子代种群合并得到规模为2N的种群R_t，对种群R_t的个体进行快速非支配排序，获得个体的Pareto等级i_rank。具体步骤如下所示：

步骤3.3.1：首先，初始化支配等级rank等于1。其次，对个体p＝{p₁,p₂,p₂...,p_m}与q＝{q₁,q₂,q₂...,q_m}来说，P_i代表第i个特征的权值，分别计算其相关性适应值F₁(p)、F₁(q)，冗余度适应值F₂(p)、F₂(q)，互补性适应值F₂(p)、F₃(q)，。那么对于任意的i∈{1,2,3}如果都有F_i(q)＜＝F_i(p)，并且存在i∈{1,2,3}使得F_i(q)＜F_i(p)，那么个体q是支配个体p的。

步骤3.3.2：对种群R_t中的每一个个体p计算两个参数集合n_p与s_p。n_p表示那些支配着当前的个体p的个体数量；s_p表示当前的解p支配着的个体集合。

步骤3.3.3：对所有n_p＝0的个体，首先赋予其当前Pareto等级rank，之后将rank加一。遍历其所支配的个体集合s_p中的每一个个体q，在这些个体q的被支配n_q中移除当前的个体p。

步骤3.3.4：重复步骤3.3.2直到为种群R_t中的每一个个体都分配了其Pareto等级i_rank为止。

步骤3.4：为了得到种群中特定解周围的解的拥挤度估计，我们根据每一目标函数计算这点两侧的两个点的平均距离。对合并的种群R_t的个体进行拥挤度计算，计算步骤如下：

步骤3.4.1：将每个点的拥挤度i_d置为0，令边界的两个个体拥挤度为无穷大，即o_d＝I_d＝∞。

步骤3.4.2：对其他个体进行拥挤度i_d计算如下式：

其中，i_d表示i点的拥挤度，fⁱ⁺¹ _j表示第i+1个点的第j个目标函数值，f^i-1 _j表示第i-1个点的第j个目标函数值。f^max _j表示第j个目标函数的最大值，f^min _j表示第j个目标函数的最小值。

步骤3.5：根据精英保留策略，选择合适的个体组成新父代P_t+1，首先将父代种群P_t和子代种群Q_t合成新种群R_t，并根据如下步骤从种群R_t中生成新的父代种群P_t+1：

步骤3.5.1：根据步骤3.3所得到的Pareto等级i_rank从低到高的顺序，将整层种群放入父代种群P_t+1，直到某一层的个体不能全部放入父种群P_t+1；其保证了父种群P_t+1中包含的个体都是最优的。

步骤3.5.2：其次，将Pareto等级i_rank相等的个体根据步骤3.4所提出的拥挤度i_d从大到小排列，直到父代种群P_t+1填满，此时父代种群中的个体都是最优的。

步骤3.6：重复步骤3.3，直到满足最大迭代次数M为止，此时得到一组Pareto最优特征子集。得到一组最优子集后，基于特定的分类器根据分类错误率确定最优解。具体步骤如下：

步骤3.6.1：利用支持向量机对得到的一组特征子集进行交叉验证，以平均分类准确率最低为目标确定最优特征子集。所选出的特征子集包含56个特征参数，并在SVM模型上取得了87％的平均分类准确率。

步骤3.6.2：利用KNN对得到的一组特征子集进行交叉验证，以平均分类准确率最低为目标确定最优特征子集。所选出的特征子集包含56个特征参数，并在KNN模型上取得了87.2％的平均分类准确率。

步骤4：基于所获取的最优特征子集建立起焊接缺陷识别模型，从而实现对焊接缺陷的识别。本发明通过融合焊接过程电信息源与焊接过程声信息源的方式获取了焊接过程大数据，并基于此构建了高维特征矩阵，相较于单一信息源的方法对焊接过程的描述更全面、可靠；并对特征之间的冗余度衡量标准进行了改进，从而能够对高维特征矩阵中的有效特征信息进行深入的挖掘，得到最有效的特征子集，以提高缺陷识别的准确率。

综上所述，本发明所提出的多目标焊接特征选择框架可以有效的解决传统的特征提取方法未考虑特征之间冗余以及互补信息而带来的模型泛化能力弱的问题，并基于一种新的种群初始化策略使算法更贴近Pareto前沿面，同时避免了传统的基于贪心思想的搜索方法容易陷入局部最优这一问题。

Claims (3)

1.一种基于多目标特征选择的焊接缺陷识别方法，该方法包括以下步骤：

步骤1：特征提取；

步骤1.1：对电弧电信号进行自适应完备经验模态分解得到一系列IMF分量，然后利用皮尔斯相关系数法确定与焊接熔滴过渡密切相关的IMF分量，对与熔滴过渡过程密切相关的IMF分量进行特征提取；

步骤1.2：提取焊接过程电弧声信号的时、频域特征及倒谱域特征MFCC参数作为焊接动态过程电弧声音特征参数；

步骤2：建立多目标优化问题的目标函数；

步骤2.1：基于对称不确定性建立特征子集相关性；

给定特征f与类别C，其相关性用互信息I(f；C)为：

I(f；C)＝H(f)-H(f|C) (1)

其中，H(f)表示特征f的熵，H(f|C)表示类别C已知情况下特征f的条件熵。

对称不确定性SU(f,C)为：

H(C)表示类别C的熵，利用特征f与类别C之间的对称不确定性来衡量特征与类别的相关性；给定一个特征子集S，特征子集的相关性F_rele(S)表示为：

F_rele(S)＝∑_fi∈SSU(f_i；C) (3)

其中，f_i表示第i个待选特征，该式表示由每个特征和类变量之间的所有对称不确定性的总和；

步骤2.2：特征子集的冗余度评价标准为：

其中F_red(S)表示特征子集的冗余度；

其中，f_s为已选特征；I(C；f_i)、I(C；f_s)为特征与标签的互信息；I(f_s；f_i)表示特征之间的互信息；H(f_s)表示特征f_s的信息熵，H(f_i)表示特征f_i的信息熵、H(C)表示类别标签C的信息熵；H(f_i|C)表示类别C已知情况下特征f_i的条件熵；

步骤2.3：特征子集互补性评价函数F_comp(S)为：

步骤2.4：基于上述分析，可建立基于信息论的多目标优化数学模型，表示为：

min(-F_rele(S),F_redu(S),-F_comp(S))^T，S＝(f₁,…,f_m) (7)

其中，S为特征空间，m为特征空间特征数量，F_rele(S)为特征子集的相关性，F_redu(S)为特征子集的冗余度，F_comp(S)为特征子集的互补性；

步骤3：采用特征聚类方法计算步骤2.4中的目标函数，得到一组Pareto最优解集；

步骤4：基于所获取的最优特征子集建立起焊接缺陷识别模型，从而实现对焊接缺陷的识别。

2.如权利要求1所述的一种基于多目标特征选择的焊接缺陷识别方法，其特征在于，所述步骤3的具体方法为：

步骤3.1：基于改进的特征聚类方法进行种群初始化得到初代种群；

步骤3.2：对初始种群进行一次非支配排序后通过选择、交叉、变异操作得到第一代子代种群；

步骤3.3：从第二代开始，设当前父代种群P_t规模为N，然后将P_t进行选择、交叉与变异得到规模为N的子代种群Q_t，再将父代种群与子代种群合并得到规模为2N的种群R_t，对种群R_t的个体进行快速非支配排序，获得个体的Pareto等级i_rank；快速非支配排序步骤如下所示：

步骤3.3.1：首先，对种群R_t中的每一个个体计算两个参数n_p与s_p，n_p表示支配着当前的个体p的个体数量，s_p表示当前的解p支配着的个体集合；

步骤3.3.2：对所有n_p＝0的个体首先赋予其当前Pareto等级rank，之后将rank加一，然后遍历其所支配的个体集合s_p中的每一个个体q，在这些个体q的被支配n_q中移除当前的个体p；

步骤3.3.3：重复步骤3.3.2直到为种群R_t中的每一个个体都分配了其Pareto等级i_rank为止；

步骤3.4：对合并的种群R_t的个体进行拥挤度计算，计算方法如下：

其中，i_d表示i点的拥挤度，

表示第i+1个点的第j个目标函数值，

表示第i-1个点的第j个目标函数值；

表示第j个目标函数的最大值，

表示第j个目标函数的最小值；

步骤3.5：根据精英保留策略，选择个体组成新父代P_t+1，首先将父代种群P_t和子代种群Q_t合成新种群R_t，并根据如下步骤从种群R_t中生成新的父代种群P_t+1；

步骤3.5.1：根据步骤3.3所得到的Pareto等级i_rank从低到高的顺序，将整层种群放入父代种群P_t+1，直到某一层的个体不能全部放入父种群P_t+1；

步骤3.5.2：将该层个体根据步骤3.4所提出的拥挤度i_d从大到小排列再进行放入操作直到父代种群P_t+1填满；

步骤3.6：从步骤3.3开始重复步骤，直到满足最大迭代次数，得到一组Pareto最优解集，基于选定的分类器以最小分类错误率为依据确定出最优特征子集。

3.如权利要求2所述的一种基于多目标特征选择的焊接缺陷识别方法，其特征在于，所述步骤3.6中，选用分类器为支持向量机或KNN。

Images