[发明专利]基于SVM模型参数优化的多模态数据融合和分类方法

说明书

本发明公开了基于SVM模型参数优化的多模态数据融合和分类方法。采用多模态数据融合技术，把采集到的缺陷特征数据融合起来，用于后续的分类识别；然后，优化选择SVM模型子分类器权重系数，针对各个模态突出的差异信息不同，重点聚焦错分数据点，得到多模态加权组合的SVM分类器模型，接着利用混合函数SVM分类器对融合缺陷数据进行分类，最终得到分类结果。该方法仅需要小样本的训练集，选择的特征信息和支持向量各有侧重，重点聚焦错分数据点，得到多模态加权组合的SVM分类器模型，可以有效的增强分类性能，从而准确对缺陷分类。

技术领域

本发明提供基于SVM模型参数优化的多模态数据融合和分类方法，尤其涉 及利用基于混合函数的SVM模型实现对多模态融合数据的分类，完成对飞机蒙 皮缺陷类型的自动识别技术。

背景技术

飞机，舰船等大型设备或部件的结构受到破坏，主要原因是结构中存在裂 纹，腐蚀等缺陷而未被及时发现，一次随机出现的高承载使这种带缺陷的结构 不能承受而发生断裂引起的，这种结构的破坏，往往引起灾难性的后果。利用 无损检测技术尽早发现结构缺陷是保证飞机等大型设备安全的重要手段。

飞机蒙皮是飞机最重要的组成部分之一，用来维持飞机外形，使之具有很 好的空气动力特性。蒙皮承受空气动力作用后将作用力传递到相连的机身机翼 骨架上，受力复杂，加之蒙皮直接与外界接触，所以不仅要求蒙皮材料强度高、 塑性好，还要求表面光滑，有较高的抗蚀能力。因此为了保障飞机蒙皮的可靠 性和安全性，必须对飞机蒙皮进行有效的故障检测和诊断，以便及时发现故障， 并进行有效处理。

之前，我们已经解决了利用图像测量技术采集测量飞机蒙皮缺陷，以及提 取蒙皮表面缺陷的物理测量特征的问题，但由于采集数据过于复杂，包括裂纹 长度，腐蚀面积等各类特征，如何把复杂数据融合并提取出关键有效信息，用 于表征飞机蒙皮健康状况，就成了亟待解决的问题。

目前，飞机蒙皮的故障诊断方法从基于信号分析方法向基于人工智能的方 法迅速发展。多模态数据融合也称作信息融合，是把多个传感器在空间或时间 上的冗余或互补信息，依据某种准则进行组合，以获得对被检测目标的一致性 解释或描述。支持向量机SVM(Support Vector Machine)作为结构风险最小化的 机器训练和模式识别方法，在样本非线性和高维模式识别方面有独特优势，具 有直观的几何解释和良好的泛化能力，已经成功应用于分类、模式识别等问题， 如机械故障诊断、图像识别等。

多模态感知数据是指感知设备产生的原始数据信息包含监测对象的多维 特征属性信息。如在空气质量监测中，通过利用无线传感器网络对所监测区域 的温度，干湿度，含氧量，悬浮物，等多维空气特征信息进行采集，进而根据 这些数据评价空气质量水平。该无线传感器网络得到的这些数据即为多模态感 知数据。

多模态数据融合的概念是在上世纪70年代被提出的，最早诞生于军事领 域。随着科学技术，尤其是微电子、集成电路、计算机、信号处理以及传感器 技术的发展，多模态数据融合已经发展成为了多学科综合的全新领域，慢慢的 从军用领域延伸到了民用领域，并在民用领域中飞速发展。现如今，人们已提 出了各种各样的数据融合方法，其中包括基于证据理论的方法、Fisher判别法、 基于模糊理论的方法、极大似然法以及可拓方法等等。多模态数据融合可提高 测量的可信度，使系统具有更高的可靠性，同时适用于多种不同的环境，在恶 劣条件下同样可以保证正常工作的要求。单类传感器只能获得被测物体的不完备的信息，并且受环境的影响很大，稳定性不强，多模态信息融合能够将多种 传感器提供的数据信息进行组合，保留有用信息，剔除错误信息，并通过冗余 信息来保证系统的可靠性，以实现最终的信息优化。