[发明专利]基于stacking元学习策略的污水处理故障诊断方法

权利要求书

1.基于stacking元学习策略的污水处理故障诊断方法，其特征在于，包括以下步骤：

1)原始污水数据有527个样本，每个样本有38维属性，其中部分样本在化学需氧量COD、生化需氧量BOD上存在缺失值，对这些样本采用均值法补全其缺失值，并将所有38维属性值归一化到[0,1]区间；

2)527个原始污水样本总共分为4类，第一类为正常状态类，第二类为正常状态但部分性能指标超过了平均值，第三类为正常状态但进水量低，第四类为故障类；利用步骤1)中处理好的527个完整的污水样本作为Stacking两层学习框架中的第一层基分类器的原始输入，其中，基分类器选择支持向量机SVM、加权极限学习机WELM和相关向量机RVM，分别对这3个基分类器进行3折交叉验证，得到第一层学习对每个污水样本的诊断结果，即3个基分类器对于每个污水样本在4个类别上的输出值；

3)将步骤2)中的输出结果转化为概率型输出，即得到了每个原始污水样本分别属于4个类别的概率值，利用每个样本属于4个不同类别的概率值加上原始的类别标签，构造成新的训练集，称为元训练集；

4)用步骤3)得到的元训练集作为Stacking两层学习框架中第二层元分类器的输入，其中选择WELM作为第二层的元分类器，得到最终的诊断模型M_stacking；

5)用步骤1)相同的方法填补污水待测数据的缺失值，并将其归一化到[0,1]区间，通过第一层基分类器在训练样本D上训练学习产生的模型M_k，K＝1,2,3，分别对应3个基分类器，对处理后的待测数据输出预测结果；

6)对步骤5)中的预测结果用步骤3)相同的方法进行处理，在此基础上构成M_stacking的输入，其输出分类结果即为待测数据对应的故障诊断结果；

7)进行参数寻优，需要寻优的参数有WELM模型的隐层节点数L、最优正则化系数C及RVM模型的核宽度σ，寻优方法为网格法，以寻优得到的最优参数为基础，训练基分类器和元分类器。

2.根据权利要求1所述的基于stacking元学习策略的污水处理故障诊断方法，其特征在于，在步骤2)中，3折交叉验证的具体过程如下：

将训练数据集D随机分为3个大小相等的数据集D₁，D₂，D₃；定义D_j和D^-j＝D-D_j，j＝1,2,3，分别为3折交叉验证的第j折测试集和训练集；在训练集D^-j上训练基分类器得到模型k＝1,2,3，对于测试集D_j中的每一个样本，模型会输出一个预测结果；当交叉验证过程结束，则能够得到基分类器对于整个训练样本的输出结果。

3.根据权利要求1所述的基于stacking元学习策略的污水处理故障诊断方法，其特征在于，所述步骤3)的具体过程如下：

3.1)基分类器WELM的输出为数值输出，通过下述公式将数值输出转化为概率形式：

其中，x为某一样本，i为类别标签，m为类别个数，f_i(x)为该样本属于标签i的原始输出，p_i(x)为该样本属于标签i的概率型输出；通过此方法将基分类器WELM原输出结果A1为概率型输出结果A1'；

3.2)SVM和RVM的基本模型是针对二分类问题的，其输出为硬判决输出，即对于一个样本的预测结果为0和1；基分类器SVM和RVM是利用一对一策略构建的多分类器，通过下述公式将硬判决输出转化为概率形式：

其中，x为某一样本，i为类别标签，m为类别个数，f_i(x)为该样本属于标签i的原始输出，p_i(x)为该样本属于标签i的概率型输出；通过此方法将基分类器SVM和RVM原输出结果A2，A3转化为概率型输出结果A2'，A3'；

3.3)将A1'，A2'，A3'和训练集标签拼接起来构造成新的训练集，即[A1'A2'A3'train_label]，也称为元训练集，其中，train_label为原始训练样本类别标签。

4.根据权利要求1所述的基于stacking元学习策略的污水处理故障诊断方法，其特征在于，在步骤7)中，基分类器及元分类器的网格法寻优参数具体如下：

寻找隐层节点数L、最优正则化系数C及RVM模型的核宽度σ的参数组合以满足算法的最优性能，L的寻优范围为{10,15,20,…,500}，步长为5；C的寻优范围为{2⁰,2¹,…,2¹⁸}，步长为1；σ的寻优范围为{2^-2.5,2^-2.4,…,2^2.5}，步长为0.1。