[发明专利]用于为统计应用处理训练数据的系统和方法

说明书

本发明属于数据训练处理技术领域，公开了一种用于为统计应用处理训练数据的系统和方法，所述用于为统计应用处理训练数据的系统包括：待训练数据获取模块、数据预处理模块、置信度计算模块、中央控制模块、数据训练模块、训练纠正模块、训练结果输出模块、结果评价模块、数据存储模块、显示模块。本发明通过增加的噪声数据来抵消原有噪声数据对模型训练的影响，进而提高模型的识别准确率，同时也减少了获取训练数据的时间成本以及人力和财力成本。在训练数据聚合的前提下，通过随机读取索引向量取值，可以从聚合训练数据中获取对应的训练数据，保证了用于模型训练的训练数据的随机性，从而可以在节省内存的基础上改善模型训练效果。

技术领域

本发明属于数据训练处理技术领域，尤其涉及一种用于为统计应用处理训练数据的系统和方法。

背景技术

目前，最接近的现有技术：统计分类有两种被广泛认可的含义。第一，基于一组观察结果或数据，统计分类试图建立数据中类或聚类的存在。这种类型的统计分类被称为无监督学习(或聚类)。第二，类的存在可能是预先知道的。在第二种情况下，统计分类试图建立单个规则或多个规则，由此，新的观察结果被分类为已知的现存类中的一个。这种类型的统计分类被称为监督式学习。

监督式学习在工业和技术应用上拥有广泛的适用性。例如，监督式学习可用于为机器视觉识别建立单个规则或多个规则。基于所建立的(一个或多个)规则的机器视觉识别可用于引导或控制自动化制造过程。在监督式学习中，选择被认为是代表所定义的(一个或多个)分类的一组测量。基于所选择的测量，创建训练数据。根据所定义的分类标记训练数据中的每个元素。随后，基于所标记的训练数据，各种方法可用于分类以后所观察的数据元素。

“最近邻居(nearest neighbor)”分类方法测量从所观察的数据元素到训练数据中每个数据元素的距离(例如，使用合适的加权度量计算)。从训练数据中选择N个最近的数据元素。在这N个最近的数据元素中最频繁出现地类被用于分类所观察的数据元素。这种分类方法假定训练数据元素的分类是正确的。然而，由于多种原因。分类可能有许多错误。错误分类的数量与分类方法的准确度有关。具体地说，训练数据中错误分类的数量越大，导致分类性能准确度越低。从而，分类数据的数据完整性在监督式学习应用中是个重要的考虑因素。同时，现有数据训练方法未对待训练数据进行降噪等处理，导致数据训练结果存在较大误差。

综上所述，现有技术存在的问题是：现有训练数据的分类方法存在许多错误，训练数据中错误分类的数量越大，导致分类性能准确度越低。同时，现有数据训练方法未对待训练数据进行降噪等处理，导致数据训练结果存在较大误差。

发明内容

针对现有技术存在的问题，本发明提供了一种用于为统计应用处理训练数据的系统和方法。

本发明是这样实现的，一种用于为统计应用处理训练数据的方法，所述用于为统计应用处理训练数据的方法包括：

步骤一，通过训练数据获取装置获取待训练的数据；通过数据预处理程序对待训练数据进行降噪、增强处理；对待训练数据带噪放电信号进行去噪处理，采集的故障点待训练数据放电带噪声音信号为y(n)，加窗处理后得到第i帧信号为y_i(n)，将其做DFT后为Y_i(w)，其幅值为|Y_i(w)|，前导无话段的噪声平均能量为a为过减因子，b为增益补偿因子，谱减后信号的幅值为利用待训练数据信号对相位不敏感的特性，谱减后信号的幅值结合谱减前信号的相位经傅里叶逆变换即可得到经过谱减处理，即已初步消噪的待训练数据信号，谱减算法为：

根据小波与采集信号样本数据的特性确定小波基与小波分解层数，阶数的小波取3～5；

步骤二，通过置信度计算程序计算所述多个训练数据结构中的每个的相应的置信度值；