[发明专利]一种实现基于单源信息融合的组合分类器的系统及方法

说明书

一、技术领域

本发明涉及模式识别中的分类器设计领域，特别涉及故障诊断中基于单源信息融合的组合分类器设计。

二、技术背景

随着科学技术的发展，人们获取信息的能力得到了前所未有的提升，但因受所获取的信息表现出的形式的多样性、数量的巨大性和信息之间关系的复杂性的影响，使得实际进行信息处理的效果并不理想，无法为辅助决策提供有力支持。

为了提高对信息的综合处理能力，一种有效的解决方案就是同时对来自多个传感器采集的信息进行整合优化，实现多传感器信息融合，并通过去除多传感器信息之间可能存在的冗余和矛盾信息，实现优势互补，以降低不确定性对系统环境一致性的影响，提高系统决策的快速性和正确性，将决策风险降到最低。

目前，多传感器信息融合技术应经被成功应用于很多领域，包括：

■智能制造

■无损检测

■故障和医疗诊断

■环境检测

但现有基于多传感器信息融合的方法受感知对象可测试性差和传感器自身硬件成本高的影响，存在以下局限性：

(1)在某些实际应用中，如医疗诊断和环境检测等，传感器安装数量受到限制，特别是对在线故障诊断而言，可测试性差和多传感器要求的矛盾尤为突出；

(2)传感器数量的增加，势必带来硬件数量和成本的相应增加，降低整个系统的性价比，增加硬件故障率；

(3)传感器数量的增加，使所获取数据处理量成倍增加、在线处理任务加重，给系统的实时性带来不利因素。

三、发明内容

本发明的目的是：克服现有基于多传感器信息融合方法的不足，提出一种实现基于单源信息融合的组合分类器的系统及方法。

我们发明了新的基于单源信息融合的方法，可充分挖掘单源信息的潜在能力，通过设计基于特征选择的组合分类器，提高分类决策的有效性和实时性。

基于特征选择的组合分类器设计模型如下：

对含L个分类器的组合分类器，记P_l，q_l为第l个分类器的分类正确率，第l个分类器输入特征子集及分类器的构造由如下目标函数确定：

max P_l

max1-maxj=1l-1{Sc(pj,pl)}]]>

min q_l

即希望所设计的第l个分类器，同时具有最大的分类正确率，与其它分类器之间最差的相似性，以及最小的特征子集规模，三个目标函数的优先级由高到低。

组合分类器的分类决策函数采用“Max-Wins”voting投票表决。

组合分类器设计模型是典型的多目标优化问题，为了给出其蚁群算法实现进行如下分析：

(1)对目标函数min q_l，给定q最大值为a，对q＝1，2，…，a分别运行蚁群算法，取分类效果最好且q值最小的那组特征；

(2)将其余两个目标函数进行加权求和转化为单目标函数：