[發明專利]一種基于支持向量機的電化學噪聲腐蝕類型判別方法

在審

• 申請號: 201410849135.5
• 申請日: 2014-12-31
• 公開（公告）號: CN104502267A
• 公開（公告）日: 2015-04-08
• 發明（設計）人: 李健;張宇;孔偉康;陳冠任;鄭煥軍
• 申請（專利權）人: 天津大學
• 主分類號: G01N17/02
• 分類號: G01N17/02
• 代理公司: 天津才智專利商標代理有限公司12108
• 代理人: 龐學欣

技術領域

本發明屬于材料腐蝕檢測技術領域，特別是涉及一種基于支持向量機的電化學噪聲腐蝕類型判別方法。

背景技術

近些年新型的電化學噪聲處理方法層出不窮，其主要思路還是將新型的數學方法應用到電化學噪聲數據的處理中，具體有如下一些方法：聚類分析，用聚類的方法劃分腐蝕階段；混沌理論，用混沌的參數來區分腐蝕類型；神經網絡，用訓練的神經網絡判別腐蝕類型與預測等等；這些新方法新參數很多，但與腐蝕過程原理的對應則稍顯薄弱，需要更久的時間與更充分地論據去證明這些方法的有效性與實用行；因此，如何發現新的電化學噪聲數據的處理方法并將其與其腐蝕過程原理結合起來，使該處理方法獲得嚴謹的理論上的依據，這些都是近些年也將是未來電化學噪聲研究的重點。

支持向量機(SVM)是最常用的機器學習算法之一，被選為十大經典機器學習算法，最早用Vapnik提出，被廣泛應用于模式識別與非線性擬合中。圖1示出了支持向量機的體系結構圖，由于支持向量機計算簡單，理論框架完善，小樣本效果好，不存在過學習與欠學習，并在實際問題中的通用性強，因此往往是眾多分類算法方案中最優方案之一。但目前尚未應用到電化學噪聲腐蝕檢測領域，

發明內容

為了解決上述問題，本發明的目的在于提供一種基于支持向量機的電化學噪聲腐蝕類型判別方法。

為了達到上述目的，本發明提供的基于支持向量機的電化學噪聲腐蝕類型判別方法包括按順序進行的下列步驟：

步驟1)建立輸入特征向量：對從電化學噪聲腐蝕實驗得到的電化學噪聲信號數據進行整理，并由此建立輸入特征向量；

步驟2)分集處理：將輸入特征向量分為訓練集80％和測試集20％；

步驟3)尋找最佳的SVM參數：由于SVM使用交叉驗證方法，在訓練過程中取不同的懲罰參數c與核函數參數g，計算其均分交叉驗證的平均精度；當平均精度達到最大時的懲罰參數c與核函數參數g被認為是最佳的SVM參數；

步驟4)通過訓練集訓練得到最佳的SVM模型：將上述得到的最佳懲罰參數c與核函數參數代入訓練集進行訓練而得到最佳的SVM模型；

步驟5)利用SVM模型預測電化學噪聲腐蝕類型：利用上述SVM模型去預測測試集而得到電化學噪聲腐蝕類型的預測結果。

在步驟1)中，所述的建立輸入特征向量的方法如下：

步驟1.1)提煉不同腐蝕類型的典型電化學噪聲信號：根據電化學噪聲在時域圖中的腐蝕將其區分為點蝕、均勻腐蝕和鈍化三種腐蝕類型；不同的腐蝕類型其表現的電化學噪聲在時域圖上有很大區別；當發生點蝕時，電流噪聲和電壓噪聲會出現明顯的暫態峰；當發生鈍化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現為高頻的無規律的振蕩；

步驟1.2)數據分組：將采集得到的實驗數據按1024個點為一單位進行數據切割，即每512秒存一個單獨小文件，文件名按時間疊加，則可以得到大量的各種腐蝕的數據；

步驟1.3)提取每組數據各個特征參數：對這些所有小文件中每種腐蝕類型隨機選取上百組數據，批處理這些數據，得到每組數據各個特征參數的值；

步驟1.4)組成輸入特征向量：通過計算各組的電化學信號特征值，得到了上百組樣本的值；將每組樣本的10項參數按噪聲電阻、特征電荷、特征頻率、小波歸一化能量d1～d7層的能量比的順序組成一組特征向量，上百組樣本值可得到上百組不同的特征向量。

在步驟3)中，所述的尋找最佳的SVM參數的方法是：首先采用大間隔去找到懲罰參數c與核函數參數g最佳值的大致位置，然后再在該最佳位置附近采用小間隔去尋找最佳懲罰參數c與核函數參數g。

本發明提供的基于支持向量機的電化學噪聲腐蝕類型判別方法是利用電化學噪聲腐蝕實驗的數據進行腐蝕類型的判別，本方法能較好地完成腐蝕類型判別的任務，測試集精度高達100％；在穩定性方面，由于支持向量機在原理上采用了結構風險最小化的原則，因此使其更加穩定，而且每次訓練結果也非常接近，并且不會出現過學習與欠學習的情況，因此預測精度高。

附圖說明

圖1為支持向量機的體系結構圖；

圖2為本發明提供的基于支持向量機的電化學噪聲腐蝕類型判別方法的流程圖；

圖3為SVM交叉驗證精度三維圖；

圖4為SVM預測分類精度圖。

具體實施方式

下面結合附圖和具體實施例對本發明提供的基于支持向量機的電化學噪聲腐蝕類型判別方法進行詳細說明。