[发明专利]基于代价敏感的自组织网络的故障探测方法

权利要求书

1.基于代价敏感的自组织网络的故障探测方法，其特征在于，包括如下步骤：

步骤1：收集样本，并将样本贴上分类标签，构成训练样本集，所述分类标签包括正常和故障；

步骤2：分别估算将正常类样本和故障类样本错误分类带来的损失，并以此构建代价矩阵；

步骤3：根据所述代价矩阵和所述训练样本集中正常类样本和故障类样本的数量确定所述训练样本集中故障类样本的缩放比例；所述缩放比例为：其中，N₊是训练样本集中故障类样本的数量，N_-是训练样本集中正常类样本的数量，C₁₀、C₀₁分别表示将实际故障类样本和实际正常类样本错误分类带来的损失；

步骤4：根据所述缩放比例求得理想训练样本集中故障类样本的数量，然后使用过采样算法调整所述训练样本集中故障样本的数量至理想数量；

步骤5：使用步骤4所得调整后的训练样本集训练分类器。

2.根据权利要求1所述的基于代价敏感的自组织网络的故障探测方法，其特征在于，步骤2中，所述代价矩阵为：

3.根据权利要求1所述的基于代价敏感的自组织网络的故障探测方法，其特征在于，步骤4中，所述过采样算法为SMOTE算法，包括如下步骤：

步骤1：确定采样率N：

其中，N′_t是根据缩放比例求得的理想训练样本集中故障类样本的数量，而N_t则是初始训练样本集中故障类样本的数量；

步骤2：采用k-近邻算法找到训练样本集中每个故障类样本的最近邻；

步骤3：随机选择一个最近邻与当前故障类样本合成一个新样本；

新样本通过如下方式合成：x_new＝x_i+rand(0,1)*(x_i-x′)

其中，x_new是合成的新样本，x_i是某个少数类样本；x′则是根据KNN算法找的最近邻；rand(0,1)是在(0，1)范围内产生的随机数；

步骤4：重复步骤3，直至调整后的故障类样本数量达到初始故障类样本数量的N倍。