[發明專利]一種基于主動學習結合PNN的異常識別方法

在審

• 申請號: 202011247601.4
• 申請日: 2020-11-10
• 公開（公告）號: CN112309568A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 周孟然;胡鋒;卞凱;曹珍貫;凌六一;梁喆;閆鵬程
• 申請（專利權）人: 安徽理工大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 吳林

1.一種基于主動學習結合PNN的異常識別方法，其特征在于，包括以下步驟：

S1：搭建體征分析系統；

S2：采集體征數據導入體征分析系統；

S3：對采集到的體征數據進行數據清洗；

S4：將清洗后的體征數據按一定的比例隨機劃分成訓練集和測試集；

S5：根據主動學習算法策略標注體征數據，并建立PNN異常體征識別模型，對異常體征進行識別。

2.如權利要求1所述的一種基于主動學習結合PNN的異常識別方法，其特征在于，所述步驟S1中的體征分析系統包括中控模塊、體溫檢測模塊、脈搏檢測模塊、呼吸檢測模塊、血壓檢測模塊、血液檢測模塊和心率檢測模塊，所述體溫檢測模塊、脈搏檢測模塊、呼吸檢測模塊、血壓檢測模塊、血液檢測模塊和心率檢測模塊均電連接在所述中控模塊的輸入端。

3.如權利要求1所述的一種基于主動學習結合PNN的異常識別方法，其特征在于，所述步驟S2中的體征數據包括體溫、脈搏、呼吸率、血壓、血氧飽和度和心率。

4.如權利要求1所述的一種基于主動學習結合PNN的異常識別方法，其特征在于，所述步驟S3中數據清洗的具體步驟如下：

S31：將小于Q_L-1.5IQR或大于Q_U+1.5IQR的值，劃分為異常值，其中，Q_L為下四分位數，表示全部觀察值中有四分之一的數據取值比它小，Q_U為上四分位數，表示全部觀察值中有四分之一的數據取值比它大，IQR＝Q_U-Q_L為四分位數間距，是上四分位數Q_U與下四分位數Q_L的差值，包含了全部觀察值的一半；

S32：對異常數據采用箱型圖進行分析；

S33：處理清除體征分析系統采集的對識別結果造成影響的異常值，保留可靠數據。

5.如權利要求1所述的一種基于主動學習結合PNN的異常識別方法，其特征在于，所述步驟S4中，按照7∶3的比例將體征數據隨機劃分成訓練集和測試集，對測試集數據進行人工標注，訓練集為未標注數據。

6.如權利要求1所述的一種基于主動學習結合PNN的異常識別方法，其特征在于，所述步驟S5中的主動學習算法主要由五部分組成：

M＝(C，Q，S，L，U)

其中，C為分類器；Q為查詢函數，可查詢未標注礦工體征樣本中信息量大的樣本；U為未標注的樣本集合；S為專家，擁有對未標注的樣本進行標注的權利；L為初始標記樣本；

標注體征數據的方法為：學習者利用少量初始標記樣本L開始學習，通過查詢函數Q選擇出一個或一批最有用的樣本，并向專家S詢問標簽，從未標注的樣本集合U中選擇為一定數量的樣本進行標注，加入到訓練樣本集中，然后利用獲得的新知識來訓練分類器和進行下一輪查詢。

7.如權利要求6所述的一種基于主動學習結合PNN的異常識別方法，其特征在于，所述步驟S5中主動學習結合PNN模型識別的步驟如下所示：

S51：從訓練集中隨機選取k個樣本，由專家S進行標注，標注的樣本集合為L＝{χ₁，χ₂，…，χ_k}，剩余的樣本為未標注的樣本，未標注的樣本集合為U＝{χ₁，χ₂，…，χ_n-k}；

S52：將標注好的樣本作輸入至PNN分類器中進行訓練，建立初始的異常體征識別模型；

S53：專家S從未標注的樣本集U中，以主動學習策略的查詢準則Q標注H個未標注的樣本；

S54：將標注好的H個樣本加入訓練樣本集L中，返回步驟S51重新建立異常體征識別模型，不斷迭代，直到滿足迭代的終止條件為止；

S55：以測試集異常特征的識別準確率取到的最大值作為訓練停止的標準，并綜合識別準確率和訓練時間這兩項評價指標，對體征數據進行分析。