[发明专利]一种基于串/并行集成学习框架的带钢表面质量缺陷分类器及其分类方法

权利要求书

1.一种基于串/并行集成学习框架的带钢表面质量缺陷分类器，其特征在于，分类器为自上而下分的三层串行结构，包含规则表和机器学习分类器，具体是：

上层是规则表，

中间层是多个并行的机器学习分类器，

下层是规则表或单一机器学习分类器；

规则表在结构上体现为一种二维表，具体包含两列，分别是序号和对规则具体内容的描述；规则表的行数由规则数量决定。

2.根据权利要求1所述的一种基于串/并行集成学习框架的带钢表面质量缺陷分类器，其特征在于，规则表是结合缺陷产生的工艺机理，并借鉴和吸收现场专家的经验和知识，经转化之后形成的分类判定规则；在选择中间层的多个并行学习分类器时，注重它们相互之间的互补性，规则表的构建步骤包括：

S201，寻找一个取值范围与其他所有类别零重叠的特征，如果找到了这样的特征，则将该特征加入上层规则表中，由该特征区分的缺陷类别为上层层级的缺陷；

S202，寻找一个取值范围与其他特定类别零重叠的特征，如果找到了这样的特征，则将该特征加入下层规则表中，由该特征区分的缺陷类别为下层层级的缺陷；

S203，对所有的特征执行遍历比选，直至结束。

3.根据权利要求1所述的一种基于串/并行集成学习框架的带钢表面质量缺陷分类器，其特征在于，中间层装配随机森林分类器、自组织神经网络和基于ECOC编码的GentlBoost分类器三种分类器；提出基于串/并行集成学习框架的缺陷分类器，就是为了充分融合现有的机器学习分类识别技术、缺陷产生机理和人工经验规则，进一步提高分类识别的准确度，以及分类器的自学习能力、实时性能和泛化能力。

4.一种基于串/并行集成学习框架的缺陷分类器的分类方法，其特征在于，包括缺陷合并与分级方法，具体步骤如下：

S1，把包含在上层规则表的缺陷分离出来作为上层层级的缺陷；

S2，比较训练集中两种缺陷样本的特征值，设两种缺陷类别序号分别为y_i和y_j，训练集中对应的样本数量分别为c_i和c_j，特征值维度为n维，缺陷特征值序列分别为(x_i1,x_i2,…,x_ik,…,x_in)和(x_j1,x_j2,…,x_jk,…,x_jn)，其中x_ik和x_jk分别为两种缺陷特征值序列中的分量，计算两种缺陷特征值对应分量的均值，记为：和k＝1,…,n，进一步计算两个均值偏差百分比，如下：

比较该对应分量均值偏差百分与预先设定的两个阈值δ₁和δ₂的大小关系；如果该对应分量均值偏差百分比小于阈值δ₁的特征值分量的数目占所有特征值维度的百分比大于阈值δ₂，则将对应的两种缺陷合并；

S3，如果在未合并前两类缺陷分类结果的混淆矩阵中，相互之间的错分率大于阈值δ₃，则也将两类缺陷合并；

S4，合并后的缺陷放在中间层层级；

S5，其他未分级的缺陷也放在中间层层级中，即把其他未分级的缺陷与合并后的缺陷放在同样的层次，并用基于串/并行集成学习框架的缺陷分类器中间层多个并行的机器学习分类方法实现分类。