[發(fā)明專利]指揮信息系統(tǒng)狀態(tài)監(jiān)控方法、系統(tǒng)、介質(zhì)、設(shè)備及終端

在審

• 申請?zhí)枺?/td>: 202011360318.2
• 申請日: 2020-11-27
• 公開（公告）號: CN112508068A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 焦志強(qiáng);張杰勇;姚佩陽;孫鵬;倪磊;何宜超;廖水聰
• 申請（專利權(quán)）人: 中國人民解放軍空軍工程大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/06
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

1.一種指揮信息系統(tǒng)狀態(tài)監(jiān)控方法，其特征在于，所述指揮信息系統(tǒng)狀態(tài)監(jiān)控方法利用樣本集進(jìn)行SVM預(yù)訓(xùn)；利用支持向量在預(yù)分類面附近產(chǎn)生有潛力的新樣本；通過分帶過采樣的思想，根據(jù)距離以分類超平面為中心進(jìn)行分帶，逐帶生成均勻分布在當(dāng)前帶內(nèi)的新樣本以保持各類樣本數(shù)量的平衡。

2.如權(quán)利要求1所述的指揮信息系統(tǒng)狀態(tài)監(jiān)控方法，其特征在于，所述指揮信息系統(tǒng)狀態(tài)監(jiān)控方法具體包括：

輸入：初始樣本集合S₀，增量樣本集合S_i(i＝1,2,...,T)

離線階段：

(1)設(shè)定參數(shù)：利用支持向量生成新樣本的比率α，分帶數(shù)q，保留比例γ，遺忘率p，模型更新觸發(fā)的松弛系數(shù)μ；

(2)利用基于支持向量的新樣本生成算法生成由支持向量產(chǎn)生的新樣本集合S_sv；

(3)利用基于分帶思想的過采樣算法生成由支持向量產(chǎn)生的新樣本集合S_nsv；

(4)對S_z＝S₀∪S_sv∪S_nsv進(jìn)行SVM訓(xùn)練，得到并輸出初始分類模型M₀；

(5)利用式計(jì)算S_z中的樣本重要度，并根據(jù)保留比例γ生成保留集S_R，令i＝1；

在線階段：

(6)若i≤T，接受新樣本集S_i，否則轉(zhuǎn)(12)；

(7)利用式y(tǒng)_if(x_i)-1篩選出S_i中需要參與訓(xùn)練的樣本，形成集合S′_i，并令S_z←S_R∪S′_i；

(8)利用式y(tǒng)_if(x_i)+μ-1判斷新加入樣本是否觸發(fā)模型更新條件，若存在滿足更新條件的樣本則執(zhí)行(9)，否則，執(zhí)行(6)；

(9)將S_z作為輸入，利用基于支持向量的新樣本生成算法和基于分帶思想的過采樣算法生成新樣本集合S′_sv；

(10)對S_z＝S_z∪S′_sv進(jìn)行SVM訓(xùn)練，得到并輸出初始分類模型M_i；

(11)利用式計(jì)算S_z中的樣本重要度，并根據(jù)保留比例γ生成保留集S_R，根據(jù)遺忘率p對S_z中的樣本進(jìn)行遺忘，轉(zhuǎn)(6)；

(12)算法結(jié)束

輸出：實(shí)時(shí)輸出SVM分類模型；

所述離線階段，利用已有樣本進(jìn)行訓(xùn)練以得到一個(gè)初始的分類模型；在線階段，根據(jù)新樣本集對分類模型不斷更新以改善分類效果。

3.如權(quán)利要求2所述的指揮信息系統(tǒng)狀態(tài)監(jiān)控方法，其特征在于，所述指揮信息系統(tǒng)狀態(tài)監(jiān)控方法包括：

定理1：新樣本集中如果存在違背KKT條件的樣本，則該新樣本集中的部分或者全部樣本將可能成為新的支持向量；

引理1：新樣本集中如果存在違背KKT條件的樣本，則歷史樣本集中的非支持向量可能轉(zhuǎn)變?yōu)樾碌闹С窒蛄浚?/p>

引理2：新樣本集中如果不存在違背KKT條件的樣本，則該新樣本集中的所有樣本都不會(huì)成為新的支持向量。