[发明专利]一种基于AdaBoost的复合材料损伤识别方法及系统

说明书

本发明公开了一种基于AdaBoost的复合材料损伤识别方法及系统，包括，采集复合材料损伤的声发射信号并进行特征提取，分别获得训练样本数据、测试样本数据和对应损伤类别数据；利用训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；对训练模型进行训练，利用过滤因子控制弱分类器生成的识别错误率，直至无法找到满足条件的弱分类器时，停止训练，输出损伤识别模型；将测试样本数据导入损伤识别模型内，若正确识别实际损伤类型，则完成优化；利用优化后的损伤识别模型识别复合材料损伤数据并输出识别结果。本发明方法通过采用距离权重更新模型，利用过滤因子对弱分类器的生成进行控制，增强了鲁棒性，提高了分类准确率。

技术领域

本发明涉及复合材料损伤识别与分类的技术领域，尤其涉及一种基于AdaBoost的复合材料损伤识别方法及系统。

背景技术

AdaBoost是一种迭代算法，其针对于同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的强分类器，其算法本身是通过改变数据分布来实现的，它根据每次训练集之中的每个样本的分类是否正确，以及上次的总体分类的准确率来确定每个样本的权值，将修改过权值的新数据集送给下层分类器进行训练，将每次训练得到的分类器融合起来作为最后的决策分类器。

当今用于分类的AdaBoost算法的方法主要是利用分类结果的对错减小或增大样本的权重，以在后续迭代中使分类器更加偏重分错的样本，样本权重更新的依据和更新方式都较为单一，生成的弱分类器多样性欠缺，且弱分类器之间错误率悬殊时大量弱分类器并不能在最终决策中做出贡献。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于AdaBoost的复合材料损伤识别方法，能够解决多种较复杂的损失数据且相互关联而无法实现较高准确率的多分类问题，克服普通的AdaBoost算法弱分类器多样性不足的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，采集复合材料损伤的声发射信号并进行特征提取，分别获得训练样本数据、测试样本数据和对应损伤类别数据；利用所述训练样本数据与分类平面距离构建基于加权最小二乘支持向量机的训练模型；对所述训练模型进行训练，利用过滤因子控制弱分类器生成的识别错误率，直至无法找到满足条件的所述弱分类器时，停止训练，输出损伤识别模型；将所述测试样本数据导入所述损伤识别模型内，若正确识别实际损伤类型，则完成优化；利用优化后的所述损伤识别模型识别复合材料损伤数据并输出识别结果。

作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：所述满足条件包括，当所述识别错误率在不小于σ最小值的情况下，同时满足小于0.5和小于k倍第一个所述弱分类器的所述识别错误率。

作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：将当前所述弱分类器生成的所述识别错误率与所述第一个弱分类器的所述识别错误率的比值定义为所述过滤因子；其中，所述过滤因子取值范围大于1且小于2。

作为本发明所述的一种基于AdaBoost的复合材料损伤识别方法的一种优选方案，其中：利用所述过滤因子还包括，当第二次分类时，同时满足所述识别错误率小于0.5且小于所述第一个弱分类器与所述过滤因子乘积条件，则生成新的所述弱分类器；重复生成所述弱分类器的分类步骤，直至无法找到所述满足条件的所述弱分类器，停止分类；所述弱分类器在分类时对所述训练样本数据分别生成分类意见；整合所有生成的所述弱分类器的所述分类意见，分别标记为相同分类意见和不同分类意见。