[发明专利]一种基于证据K-NN分类器的设备状态检测及预警方法

说明书

本发明公开了一种基于证据K‑NN分类器的设备状态检测及预警方法，涉及最邻近分类器技术领域，本发明使用处理器接收传感器控制信号和过程中的噪声相关的传感器信号，识别所述传感器控制信号的频率特性，别传感器控制信号中与传感器控制信号的频率特性足够近而导致测量不准确的噪声频率，检测在传感器信号中出现噪声的噪声频率，处理器发出控制信号使警报器发出预警警报，本发明通过对传感器控制信号和噪声信号进行区分和存储，并通过检测比较做出判断，一旦产生噪声影响就发出预警，能够在进行训练时提供噪声检测，既不会对训练产生影响，又同时可以区分噪声，并及时产生预警警报，使训练工作可以及时中断，免得造成大量的时间浪费。

技术领域

本发明属于最邻近分类器技术领域，特别是涉及一种基于证据K-NN分类器的设备状态检测及预警方法。

背景技术

K-NN分类器又称最近邻分类器，其将学习与分类过程融为一起，在分类过程中需要保护所有训练集样本，对于未知样本X，首先需要利用某种相似度评价标准，从训练集中获取与其最相似的K个样本，再利用k个样本的类别预测预测样本X的类别，因此K-NN算法没有单独的学习阶段，是一种在分类过程中实现学习的监督分类方法，近邻法分类，对被识别样本某个给定近邻域中的已知类别的学习样本数量进行统计，并以其中数量最多的那一类作为分类结果的分类方法。最近邻分类器把每个训练样例看做d维空间上的一个点，其中d是属性个数，给定一个测试样例z，计算z与每个训练样例的邻近度，找出与之最近的k个训练样例，将这k个训练样例中出现最多的类标号赋给z，显然，这里k的取值对分类结果的影响很大：如果kk太小，最近邻分类器容易受到训练样例中的噪声而产生过拟合的影响；如果kk太大，最近邻分类器容易误分类，因为最近邻列表中可能包含远离近邻的数据点。因此最近领分类器的最大缺点就是容易受噪声影响，目前最近领分类器在训练时，并没有噪声检测和预警功能，一旦发生噪声影响，训练用的大量时间就都被白白浪费了。

发明内容

本发明的目的在于提供一种基于证据K-NN分类器的设备状态检测及预警方法，通过对传感器控制信号和噪声信号进行区分和存储，并通过检测比较做出判断，一旦产生噪声影响就发出预警，解决了现有的最近领分类器在训练时，并没有噪声检测和预警功能，一旦发生噪声影响，训练用的大量时间就都被白白浪费了问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于证据K-NN分类器的设备状态检测及预警方法，所述方法包括：

SS01

使用处理器接收传感器控制信号和过程中的噪声相关的传感器信号；

SS02

识别所述传感器控制信号的频率特性；

SS03

识别传感器控制信号中与传感器控制信号的频率特性足够近而导致测量不准确的噪声频率；

SS04

检测在所述传感器信号中出现噪声的噪声频率；

SS05

处理器发出控制信号使警报器发出预警警报。

进一步地，所述方法还包括：

所述传感器将传感器控制信号发送给处理器，所述传感器为声音传感器，所述处理器包括输入 / 输出 (I/O) 电路，或者，可以分离地提供 I/O 电路，I/O 电路通过控制电流，以数字格式或者以模拟格式来发送信息，在识别所述传感器控制信号的频率特性之后，处理器将所述传感器控制信号的频率特性存储于数据存储器中，所述所述数据存储器为非易失性存储器。

进一步地，所述方法还包括：