[发明专利]一种基于k‑means的二叉SVM‑tree不平衡数据工业故障分类方法

权利要求书

1.一种基于k-means的二叉SVM-tree不平衡数据工业故障分类方法，其特征在于，包括以下步骤：

步骤一：收集建模用的有标签训练样本，对其进行预处理和归一化，得到训练样本集X_l＝[X₁；X₂；...；X_C+1]，该有标签训练样本集包括工业过程中正常工况的数据以及各种故障工况的数据，分为C个故障工况类别和1个正常工况类别，每个类别的样本集为其中n_i为训练样本数，m为过程变量数，R为实数集；记录所述的标签训练样本集X_l＝[X₁；X₂；...；X_C+1]的所有数据的标签信息，标记正常工况标签为1，故障工况标签依次为2,...,C+1，则每个类别的标签信息为Y_i＝[i,i,...i],i＝1,2,...,C+1，完整的标签集为Y_l＝[Y₁；Y₂；...；Y_C+1]；其中，正常工况类别的数据多于故障工况类别的数据，每个故障工况类别的数据量相等，各个工况数据量的差别用不平衡度为u表征，即

步骤二：通过计算每个工况类别每个维度的平均值获得每个工况类别的中心点，得到与类别对应的中心点集为O＝[o₁,o₂,...,o_C+1]；

步骤三：将训练样本集进行拆分：使用k-means聚类方法，将中心点集O分为2个子集O₁,O₂，则，分别属于O₁,O₂包含的中心点所对应的类别的训练样本子集为D₁,D₂；

步骤四：构建树的根节点：使用SVM在D₁,D₂之间构建超平面，则树的两个分支为D₁,D₂；

步骤五：分别对D₁,D₂对应的节点重复步骤三和四的操作，再对D₁,D₂分别得到的分支对应的节点重复步骤三和四的操作，以此类推，直到每一个叶节点都只包含一个类别停止，完成SVM-tree的构建；

步骤六：利用测试样本对步骤四中构建的SVM-tree作测试，获得测试样本的标签信息。

2.根据权利要求1所述的基于k-means的二叉SVM-tree不平衡数据工业故障分类方法，所述的步骤三的具体步骤如下：

(1)首先在正常类O中选取2个初始均值向量，计算O中每个样本与这些均值向量之间的距离，并根据每个样本距离最近的均值向量确定o_j的簇标记λ_j，此处j＝1,2,...,C+1，λ_j＝1或-1；

(2)重新计算2个簇的均值向量，并选择这两个均值向量重复步骤(1)的操作；迭代至均值向量不再变化，得出最终的均值向量和O中每个元素的簇标记，将簇标记为1的中心所对应的训练样本归为D₁类，将簇标记为-1的中心所对应的训练样本归为D₂类。