[发明专利]一种支持向量预测的知识发现算法

权利要求书

1.一种支持向量预测的知识发现算法，其特征在于，包括以下步骤：

S1、将光纤光栅传感器铺设在高铁铁轨上，利用光缆将传感器进行连接，组建基于光纤光栅的高铁安全监测系统，获取高铁安全监测系统得到的温度、位移、应力应变数据作为初始样本集，初始化参数；

S2、通过对样本集进行训练得到RVM预测模型；

S3、计算每个样本的样本标签、局部密度因子和误差因子；

S4、根据RVM预测模型对即将输入的未来样本进行预测；

S5、统计样本的非相关向量次数；用r(xi)来统计样本(xi,yi)的样本标签l(xi)＝1的次数，当l(xi)＝1时，r(xi)在原有的基础上加1，当l(xi)＝0时，r(xi)保持不变；对局部密度因子和误差因子进行加权，得到样本特性向量；对样本特性向量降序排列，并对排序后的序列进行循环，若非相关向量次数超过设定的阈值，则从样本集中删除该样本,跳出循环；

S6、判断是否还有输入的新样本，若有新样本，则加入新样本，形成新的样本集，转到步骤S2；若没有新样本，则输出预测的未来样本；根据得到的未来样本对高铁安全检测系统中的铁轨温度、位移、应力应变进行安全预警；其中：

计算样本标签：对于每一个训练后的样本(xi,yi)，引入样本(xi,yi)的样本标签l(xi)，则有：

计算并更新每个样本的样本标签l(xi)；

计算局部密度因子：将k近邻算法应用于相关向量回归算法中，通过KNN算法来选择样本的k邻近点，表示样本的局部密度信息；计算密度因子pi：

其中，代表样本空间中任意一点xi通过KNN算法到其k近邻点的距离，Mean^k为的均值，即：

通过计算每个样本点的局部密度因子来反应该样本点的分布信息，其中处于稠密区域的样本有着较大的局部密度因子，处于稀疏区域的样本的局部密度因子较小；

计算误差因子：

其中，ri²表示样本点xi的真实值yi和回归模型预测值之间的平方残差，Mean表示所有样本平方残差的均值。

2.根据权利要求1所述的一种支持向量预测的知识发现算法，其特征在于，步骤S1的具体方法为：首先初始化阈值l，用于后面作样本非相关向量次数是否超过阈值的比较；初始化局部密度因子权重和误差因子权重，用于后面对密度因子和误差因子进行加权计算样本特性向量。