[发明专利]基于加权基分类器的stacking集成污水处理故障诊断方法

摘要

本发明公开了一种基于加权基分类器的stacking集成污水处理故障诊断方法，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，并得到每个基分类器对于训练样本集的G‑mean值；根据基分类器G‑mean值，定义权值计算公式，得到每个基分类器的输出权值；将基分类器的原始输出转化为概率型输出，结合其输出权值，构造出元训练集；利用元训练集对元分类器进行训练，得到最终的诊断模型。本发明可以提高污水处理过程中故障诊断的整体性能。

主权项

1.基于加权基分类器的stacking集成污水处理故障诊断方法，其特征在于，包括以下步骤：1)原始污水数据中某些样本在某些属性上存在缺失值，对这些样本采用均值法补全其缺失值，并将所有属性值归一化到[0,1]区间；2)利用步骤1)中处理好的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，并且得到3个基分类器对于训练样本的G‑mean值；3)根据步骤2)中得到的G‑mean值，定义基于G‑mean值的基分类器输出权值计算公式，获得基分类器h_i(x)对应的输出权值α_i；4)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个类别的概率值乘以在步骤3)中获得的基分类器的权值α_i，加上原始的类别标签，构造成新的训练集，称为元训练集；5)用步骤4)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；6)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；7)对步骤6)中的预测结果用步骤4)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；8)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。