[发明专利]基于stacking元学习策略的污水处理故障诊断方法

摘要

本发明公开了一种基于stacking元学习策略的污水处理故障诊断方法，该方法是用均值法补全污水数据中属性不完整的样本的缺陷项，将其归一化到[0,1]区间中；设置基分类器隐层节点数、正则化系数、核宽度的最优参数；利用处理好的训练样本对基分类器进行3折交叉验证，获得基分类器的原始输出；将基分类器的原始输出转化为概率型输出，并构造出元训练集；利用元训练集对元分类器进行训练，得到最终的分类决策模型。本发明通过元学习策略融合了不同的基分类器提高了算法的多样性和稳定性，进一步提高了污水处理过程中故障诊断的整体性能。

主权项

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，其中某些样本在某些属性上包括化学需氧量COD、生化需氧量BOD，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某些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。