[發(fā)明專利]基于加權(quán)極限學(xué)習(xí)機(jī)集成算法的污水處理故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710021709.3
• 申請(qǐng)日: 2017-01-12
• 公開（公告）號(hào): CN106874934A
• 公開（公告）日: 2017-06-20
• 發(fā)明（設(shè)計(jì)）人: 許玉格;孫稱立;陳立定
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司44245
• 代理人: 羅觀祥

技術(shù)領(lǐng)域

本發(fā)明涉及污水處理故障診斷的技術(shù)領(lǐng)域，具體涉及一種基于加權(quán)極限學(xué)習(xí)機(jī)集成算法的污水處理故障診斷方法。

背景技術(shù)

污水處理是一個(gè)復(fù)雜的、影響因素非常多的生化過程，污水處理廠難以保持長期穩(wěn)定的運(yùn)行，發(fā)生故障容易引起出水水質(zhì)不達(dá)標(biāo)、運(yùn)行費(fèi)用增高和環(huán)境二次污染等嚴(yán)重問題，所以需要對(duì)污水處理廠運(yùn)行狀態(tài)進(jìn)行監(jiān)控，診斷出運(yùn)行故障并及時(shí)處理。

污水處理過程的故障診斷實(shí)際是一個(gè)模式識(shí)別的問題，分類過程中常常還會(huì)遇到污水?dāng)?shù)據(jù)集的分布不均衡問題。傳統(tǒng)的機(jī)器學(xué)習(xí)方法容易使分類準(zhǔn)確率偏向于多數(shù)類，而實(shí)際分類中更加看重的是少數(shù)類的分類準(zhǔn)確率，即故障類的分類準(zhǔn)確率。及時(shí)準(zhǔn)確的發(fā)現(xiàn)故障可以很大程度上減少污水處理廠的損失，另一方面提高污水處理廠的工作效率。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中的上述缺陷，提供一種基于加權(quán)極限學(xué)習(xí)機(jī)集成算法的污水處理故障診斷方法。

本發(fā)明的目的可以通過采取如下技術(shù)方案達(dá)到：

一種基于加權(quán)極限學(xué)習(xí)機(jī)集成算法的污水處理故障診斷方法，所述方法包括：

S1、采用集成學(xué)習(xí)算法AdaBoost作為不平衡數(shù)據(jù)分類的整體算法框架，將不平衡數(shù)據(jù)的最優(yōu)類分布和最優(yōu)類代表樣例的尋找與集成學(xué)習(xí)中的多次采樣技術(shù)融合，并生成集成分類器；

S2、采用改進(jìn)后的集成算法權(quán)值初始化方法進(jìn)行初始化；

S3、采用改進(jìn)后的加權(quán)極限學(xué)習(xí)機(jī)作為集成學(xué)習(xí)算法的基分類器進(jìn)行迭代；

S4、輸入污水處理過程中產(chǎn)生的樣本數(shù)據(jù)，設(shè)置集成算法的基分類器個(gè)數(shù)T，基分類器的最優(yōu)核寬度γ，對(duì)應(yīng)的最優(yōu)正則化系數(shù)C，進(jìn)行迭代，對(duì)輸入的污水?dāng)?shù)據(jù)進(jìn)行分類即故障診斷。

進(jìn)一步地，所述步驟S1具體包括：

S11、給定污水樣本集{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，其中x_i∈X表示X的第i個(gè)樣本，y_i表示其對(duì)應(yīng)的類別標(biāo)簽，y_i∈Y＝{1,2,…,k}，k表示總共有k個(gè)類別；

S12、初始化訓(xùn)練樣本x_i的權(quán)重分布D(i)：i＝1,2,…,N；

S13、訓(xùn)練弱分類器；

S14、得到集成分類器。

進(jìn)一步地，所述步驟S13具體包括：

S131、設(shè)置集成算法的基分類器個(gè)數(shù)T；

S132、使用加權(quán)核極限學(xué)習(xí)機(jī)作為基分類器h_t對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，得到訓(xùn)練模型和訓(xùn)練誤差ε_t，若樣本分類正確則不計(jì)入誤差，若所有樣本都被正確分類則誤差為0，若樣本分類錯(cuò)誤則計(jì)入誤差；

S133、若ε_t≥0.5，則退出迭代；

S134、計(jì)算基分類器h_t的權(quán)重

S135、調(diào)整樣本下一輪迭代的權(quán)值分布D_t+1，D_t+1的調(diào)整規(guī)則如下所示：

D_t+1(i)＝D_t(i)exp(-α_t*I(x_i))，

進(jìn)一步地，所述集成分類器為：

進(jìn)一步地，所述改進(jìn)后的集成算法權(quán)值初始化方法包括：第一自動(dòng)加權(quán)方案W₁和第二自動(dòng)加權(quán)方案W₂，

其中，所述第一自動(dòng)加權(quán)方案W₁具體為：

所述第二自動(dòng)加權(quán)方案W₂具體為：

其中Count(k)為訓(xùn)練樣本中類別為k對(duì)應(yīng)的樣本數(shù)量。

進(jìn)一步地，其特征在于，所述改進(jìn)后的加權(quán)極限學(xué)習(xí)機(jī)的隱藏層輸出權(quán)重可表示為：

其中，H為隱藏層輸出矩陣，T為輸出層輸出矩陣，N為樣本個(gè)數(shù)，L為隱藏層的個(gè)數(shù)，其中W是定義的一個(gè)N×N的對(duì)角矩陣，每一個(gè)主對(duì)角元素W_ii都對(duì)應(yīng)著一個(gè)樣本x_i，不同類別的樣本將會(huì)自動(dòng)分配不同的權(quán)值。