[发明专利]一种基于专家评语和支持向量机的航天器数据评估方法

说明书

本发明公开了一种基于专家评语和支持向量机的航天器数据评估方法，属于航天器数据技术领域，用于上限将测试数据值向专家评语域的不确定性映射，实现测试数据值向评语域映射的不确定性转化。首先建立支持向量机算法模型，构建分属于N个类别的训练数据样本，对支持向量机进行训练，形成N个分类超平面。针对N种专家评语分别构建基于正态分布的专家评语模型，第n种专家评语对应的专家评语模型的期望值为Ex_n，专家评语模型的熵为En_n，专家评语模型的超熵为He_n。计算测试数据分别到N个分类超平面的距离d₁～d_N，得到距离向量d；定义百分比函数形成向量；取s_m＝max(s₁,s₂,…,s_n)，则测试数据对应第m种专家评语。

技术领域

本发明涉及航天器数据技术领域，具体涉及一种基于专家评语和支持向量机的航天器数据评估方法。

背景技术

针对实装航天器试验鉴定以单一指标评估为主、缺乏系统评价体系的问题，开展面向航天装备性能试验的测试评估技术研究，在海量试验数据基础上，通过解析计算等手段，建立实装航天器性能指标和效能的关系模型，形成一套适用于航天器试验鉴定的评价体系和工具手段，实现实装航天器效能的量化评估。

数据挖掘的任务是从大量的数据中发现模式，按照模式的功能作用可分为预测性(Predictive Pattern)和描述性(Descriptive pattern)两类。其中，描述性规则挖掘方向根据模式的作用又可以分为以下几种：关联分析，分类挖掘、聚类分析，序列模式发现等。而分类挖掘子方向中，支持向量机(SVM)具备样本数量少，对样本的维数不敏感等优势。比较契合航天器数据量大、故障类型多、故障样本数据少的特点。

当前支持向量机的方法主要通过训练含故障和正常数据的样本点，求解二次凸规划问题得到分类超平面，然后拿分类超平面对航天器数据进行分类。现有技术中，对具体类别的划分是明确的一一映射，即在给定一组航天器数据，需要将其划分为特定的类别；国内外有一些发明专利就具体场景构建支持向量机进行了专门的描述。

但在航天器数据综合评估中，有数据值向专家评语域的不确定性映射。即专家评语本身具有模糊性，并且专家评语的期望值和支持向量机分类中心并不一定完全重合。将测试数据值划分为某个专家评语域时，它属于这个评语域的程度也具有一定的随机性。而分类超平面形成的类别划分域是基于测试数据特征的，因此需要有一种不确定算法实现将测试数据值向专家评语域的不确定性映射。但是目前尚未有这种映射关系的方案。

发明内容

有鉴于此，本发明提供了一种基于专家评语和支持向量机的航天器数据评估方法，用于上限将测试数据值向专家评语域的不确定性映射，实现测试数据值向评语域映射的不确定性转化，达到客观评估航天器健康状况的目的。

未达到上述目的，本发明的技术方案包括如下步骤：

步骤1)建立支持向量机算法模型，构建分属于N个类别的训练数据样本，对支持向量机进行训练，形成N个分类超平面。

步骤2)针对N种专家评语分别构建基于正态分布的专家评语模型，其中第n种专家评语对应的专家评语模型的期望值为Ex_n，专家评语模型的熵为En_n，专家评语模型的超熵为He_n。

步骤3)计算测试数据分别到N个分类超平面的距离d₁～d_N，得到距离向量d：

步骤4)定义百分比函数形成向量

步骤5)取s_m＝max(s₁,s₂,...,s_n)，则测试数据对应第m种专家评语。