[发明专利]一种基于主动学习结合PNN的异常识别方法

权利要求书

1.一种基于主动学习结合PNN的异常识别方法，其特征在于，包括以下步骤：

S1：搭建体征分析系统；

S2：采集体征数据导入体征分析系统；

S3：对采集到的体征数据进行数据清洗；

S4：将清洗后的体征数据按一定的比例随机划分成训练集和测试集；

S5：根据主动学习算法策略标注体征数据，并建立PNN异常体征识别模型，对异常体征进行识别。

2.如权利要求1所述的一种基于主动学习结合PNN的异常识别方法，其特征在于，所述步骤S1中的体征分析系统包括中控模块、体温检测模块、脉搏检测模块、呼吸检测模块、血压检测模块、血液检测模块和心率检测模块，所述体温检测模块、脉搏检测模块、呼吸检测模块、血压检测模块、血液检测模块和心率检测模块均电连接在所述中控模块的输入端。

3.如权利要求1所述的一种基于主动学习结合PNN的异常识别方法，其特征在于，所述步骤S2中的体征数据包括体温、脉搏、呼吸率、血压、血氧饱和度和心率。

4.如权利要求1所述的一种基于主动学习结合PNN的异常识别方法，其特征在于，所述步骤S3中数据清洗的具体步骤如下：

S31：将小于Q_L-1.5IQR或大于Q_U+1.5IQR的值，划分为异常值，其中，Q_L为下四分位数，表示全部观察值中有四分之一的数据取值比它小，Q_U为上四分位数，表示全部观察值中有四分之一的数据取值比它大，IQR＝Q_U-Q_L为四分位数间距，是上四分位数Q_U与下四分位数Q_L的差值，包含了全部观察值的一半；

S32：对异常数据采用箱型图进行分析；

S33：处理清除体征分析系统采集的对识别结果造成影响的异常值，保留可靠数据。

5.如权利要求1所述的一种基于主动学习结合PNN的异常识别方法，其特征在于，所述步骤S4中，按照7∶3的比例将体征数据随机划分成训练集和测试集，对测试集数据进行人工标注，训练集为未标注数据。

6.如权利要求1所述的一种基于主动学习结合PNN的异常识别方法，其特征在于，所述步骤S5中的主动学习算法主要由五部分组成：

M＝(C，Q，S，L，U)

其中，C为分类器；Q为查询函数，可查询未标注矿工体征样本中信息量大的样本；U为未标注的样本集合；S为专家，拥有对未标注的样本进行标注的权利；L为初始标记样本；

标注体征数据的方法为：学习者利用少量初始标记样本L开始学习，通过查询函数Q选择出一个或一批最有用的样本，并向专家S询问标签，从未标注的样本集合U中选择为一定数量的样本进行标注，加入到训练样本集中，然后利用获得的新知识来训练分类器和进行下一轮查询。

7.如权利要求6所述的一种基于主动学习结合PNN的异常识别方法，其特征在于，所述步骤S5中主动学习结合PNN模型识别的步骤如下所示：

S51：从训练集中随机选取k个样本，由专家S进行标注，标注的样本集合为L＝{χ₁，χ₂，…，χ_k}，剩余的样本为未标注的样本，未标注的样本集合为U＝{χ₁，χ₂，…，χ_n-k}；

S52：将标注好的样本作输入至PNN分类器中进行训练，建立初始的异常体征识别模型；

S53：专家S从未标注的样本集U中，以主动学习策略的查询准则Q标注H个未标注的样本；

S54：将标注好的H个样本加入训练样本集L中，返回步骤S51重新建立异常体征识别模型，不断迭代，直到满足迭代的终止条件为止；

S55：以测试集异常特征的识别准确率取到的最大值作为训练停止的标准，并综合识别准确率和训练时间这两项评价指标，对体征数据进行分析。