一種基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法
【專利摘要】一種基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法。其包括：建立輸入特征向量；分集處理；尋找最佳的SVM參數(shù)；通過訓(xùn)練集訓(xùn)練得到最佳的SVM模型；利用SVM模型預(yù)測電化學(xué)噪聲腐蝕類型等步驟。本發(fā)明提供的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法是利用電化學(xué)噪聲腐蝕實驗的數(shù)據(jù)進行腐蝕類型的判別，本方法能較好地完成腐蝕類型判別的任務(wù)，測試集精度高達100％；在穩(wěn)定性方面，由于支持向量機在原理上采用了結(jié)構(gòu)風(fēng)險最小化的原則，因此使其更加穩(wěn)定，而且每次訓(xùn)練結(jié)果也非常接近，并且不會出現(xiàn)過學(xué)習(xí)與欠學(xué)習(xí)的情況，因此預(yù)測精度高。
【專利說明】一種基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于材料腐蝕檢測【技術(shù)領(lǐng)域】，特別是涉及一種基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法。

【背景技術(shù)】
[0002]近些年新型的電化學(xué)噪聲處理方法層出不窮，其主要思路還是將新型的數(shù)學(xué)方法應(yīng)用到電化學(xué)噪聲數(shù)據(jù)的處理中，具體有如下一些方法:聚類分析，用聚類的方法劃分腐蝕階段；混沌理論，用混沌的參數(shù)來區(qū)分腐蝕類型；神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練的神經(jīng)網(wǎng)絡(luò)判別腐蝕類型與預(yù)測等等；這些新方法新參數(shù)很多，但與腐蝕過程原理的對應(yīng)則稍顯薄弱，需要更久的時間與更充分地論據(jù)去證明這些方法的有效性與實用行；因此，如何發(fā)現(xiàn)新的電化學(xué)噪聲數(shù)據(jù)的處理方法并將其與其腐蝕過程原理結(jié)合起來，使該處理方法獲得嚴謹?shù)睦碚撋系囊罁?jù)，這些都是近些年也將是未來電化學(xué)噪聲研宄的重點。
[0003]支持向量機(^1)是最常用的機器學(xué)習(xí)算法之一，被選為十大經(jīng)典機器學(xué)習(xí)算法，最早用^叩！1認提出，被廣泛應(yīng)用于模式識別與非線性擬合中。圖1示出了支持向量機的體系結(jié)構(gòu)圖，由于支持向量機計算簡單，理論框架完善，小樣本效果好，不存在過學(xué)習(xí)與欠學(xué)習(xí)，并在實際問題中的通用性強，因此往往是眾多分類算法方案中最優(yōu)方案之一。但目前尚未應(yīng)用到電化學(xué)噪聲腐蝕檢測領(lǐng)域，


【發(fā)明內(nèi)容】

[0004]為了解決上述問題，本發(fā)明的目的在于提供一種基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法。
[0005]為了達到上述目的，本發(fā)明提供的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法包括按順序進行的下列步驟:
[0006]步驟1)建立輸入特征向量:對從電化學(xué)噪聲腐蝕實驗得到的電化學(xué)噪聲信號數(shù)據(jù)進行整理，并由此建立輸入特征向量；
[0007]步驟2)分集處理:將輸入特征向量分為訓(xùn)練集80%和測試集20% ；
[0008]步驟3)尋找最佳的3穩(wěn)參數(shù):由于3穩(wěn)使用交叉驗證方法，在訓(xùn)練過程中取不同的懲罰參數(shù)與核函數(shù)參數(shù)8，計算其均分交叉驗證的平均精度；當(dāng)平均精度達到最大時的懲罰參數(shù)。與核函數(shù)參數(shù)8被認為是最佳的VI參數(shù)；
[0009]步驟4)通過訓(xùn)練集訓(xùn)練得到最佳的3穩(wěn)模型:將上述得到的最佳懲罰參數(shù)與核函數(shù)參數(shù)代入訓(xùn)練集進行訓(xùn)練而得到最佳的VI模型；
[0010]步驟5)利用3穩(wěn)模型預(yù)測電化學(xué)噪聲腐蝕類型:利用上述3穩(wěn)模型去預(yù)測測試集而得到電化學(xué)噪聲腐蝕類型的預(yù)測結(jié)果。
[0011]在步驟1)中，所述的建立輸入特征向量的方法如下:
[0012]步驟1.1)提煉不同腐蝕類型的典型電化學(xué)噪聲信號:根據(jù)電化學(xué)噪聲在時域圖中的腐蝕將其區(qū)分為點蝕、均勻腐蝕和鈍化三種腐蝕類型；不同的腐蝕類型其表現(xiàn)的電化學(xué)噪聲在時域圖上有很大區(qū)別；當(dāng)發(fā)生點蝕時，電流噪聲和電壓噪聲會出現(xiàn)明顯的暫態(tài)峰；當(dāng)發(fā)生鈍化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現(xiàn)為高頻的無規(guī)律的振蕩；
[0013]步驟1.2)數(shù)據(jù)分組:將采集得到的實驗數(shù)據(jù)按1024個點為一單位進行數(shù)據(jù)切割，即每512秒存一個單獨小文件，文件名按時間疊加，則可以得到大量的各種腐蝕的數(shù)據(jù)；
[0014]步驟1.3)提取每組數(shù)據(jù)各個特征參數(shù):對這些所有小文件中每種腐蝕類型隨機選取上百組數(shù)據(jù)，批處理這些數(shù)據(jù)，得到每組數(shù)據(jù)各個特征參數(shù)的值；
[0015]步驟1.4)組成輸入特征向量:通過計算各組的電化學(xué)信號特征值，得到了上百組樣本的值；將每組樣本的10項參數(shù)按噪聲電阻、特征電荷、特征頻率、小波歸一化能量(11?(17層的能量比的順序組成一組特征向量，上百組樣本值可得到上百組不同的特征向量。
[0016]在步驟3)中，所述的尋找最佳的3穩(wěn)參數(shù)的方法是:首先采用大間隔去找到懲罰參數(shù)0與核函數(shù)參數(shù)8最佳值的大致位置，然后再在該最佳位置附近采用小間隔去尋找最佳懲罰參數(shù)。與核函數(shù)參數(shù)8。
[0017]本發(fā)明提供的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法是利用電化學(xué)噪聲腐蝕實驗的數(shù)據(jù)進行腐蝕類型的判別，本方法能較好地完成腐蝕類型判別的任務(wù)，測試集精度高達100% ；在穩(wěn)定性方面，由于支持向量機在原理上采用了結(jié)構(gòu)風(fēng)險最小化的原貝1」，因此使其更加穩(wěn)定，而且每次訓(xùn)練結(jié)果也非常接近，并且不會出現(xiàn)過學(xué)習(xí)與欠學(xué)習(xí)的情況，因此預(yù)測精度高。

【專利附圖】

【附圖說明】
[0018]圖1為支持向量機的體系結(jié)構(gòu)圖；
[0019]圖2為本發(fā)明提供的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法的流程圖；
[0020]圖3為3穩(wěn)交叉驗證精度三維圖；
[0021]圖4為3穩(wěn)預(yù)測分類精度圖。

【具體實施方式】
[0022]下面結(jié)合附圖和具體實施例對本發(fā)明提供的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法進行詳細說明。
[0023]如圖2所示，本發(fā)明提供的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法包括按順序進行的下列步驟:
[0024]步驟1)建立輸入特征向量:對從電化學(xué)噪聲腐蝕實驗得到的電化學(xué)噪聲信號數(shù)據(jù)進行整理，并由此建立輸入特征向量；
[0025]步驟2)分集處理:將輸入特征向量分為訓(xùn)練集80%和測試集20% ；
[0026]步驟3)尋找最佳的3穩(wěn)參數(shù):由于3穩(wěn)使用交叉驗證方法，在訓(xùn)練過程中取不同的懲罰參數(shù)與核函數(shù)參數(shù)8，計算其均分交叉驗證的平均精度；當(dāng)平均精度達到最大時的懲罰參數(shù)。與核函數(shù)參數(shù)8被認為是最佳的VI參數(shù)；
[0027]步驟4)通過訓(xùn)練集訓(xùn)練得到最佳的3穩(wěn)模型:將上述得到的最佳懲罰參數(shù)與核函數(shù)參數(shù)代入訓(xùn)練集進行訓(xùn)練而得到最佳的VI模型；
[0028]步驟5)利用3穩(wěn)模型預(yù)測電化學(xué)噪聲腐蝕類型:利用上述3穩(wěn)模型去預(yù)測測試集而得到電化學(xué)噪聲腐蝕類型的預(yù)測結(jié)果，具體結(jié)果如圖4所示；圖中用“0”表示真實的腐蝕類型，用表示3穩(wěn)模型預(yù)測的腐蝕類型，當(dāng)兩者重合時表示3穩(wěn)預(yù)測準確，反之則預(yù)測錯誤；由圖4可知所有腐蝕類型預(yù)測均正確，預(yù)測準確率達到100% (60/60)。
[0029]在步驟1)中，所述的電化學(xué)噪聲腐蝕實驗方法為:
[0030]用標準304不銹鋼試樣制成工作電極，并將兩個工作電極與一個參比電極放入到實驗溶液之中，通過零阻電流計同時測量兩工作電極之間的電化學(xué)電流噪聲與工作電極和參比電極之間的電化學(xué)電壓噪聲。
[0031]所述的建立輸入特征向量的方法如下:371的處理方法類似于8？神經(jīng)網(wǎng)絡(luò)，其輸入特征向量也采用8？神經(jīng)網(wǎng)絡(luò)完全相同的輸入；具體方法包括下列步驟:
[0032]步驟1.1)提煉不同腐蝕類型的典型電化學(xué)噪聲信號:根據(jù)電化學(xué)噪聲在時域圖中的腐蝕將其區(qū)分為點蝕、均勻腐蝕和鈍化三種腐蝕類型；不同的腐蝕類型其表現(xiàn)的電化學(xué)噪聲在時域圖上有很大區(qū)別；當(dāng)發(fā)生點蝕時，電流噪聲和電壓噪聲會出現(xiàn)明顯的暫態(tài)峰；當(dāng)發(fā)生鈍化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現(xiàn)為高頻的無規(guī)律的振蕩；
[0033]步驟1.2)數(shù)據(jù)分組:將采集得到的實驗數(shù)據(jù)按1024個點為一單位進行數(shù)據(jù)切割，即每512秒存一個單獨小文件，文件名按時間疊加，則可以得到大量的各種腐蝕的數(shù)據(jù)；
[0034]步驟1.3)提取每組數(shù)據(jù)各個特征參數(shù):對這些所有小文件中每種腐蝕類型隨機選取100組數(shù)據(jù)，批處理這些數(shù)據(jù)，得到每組數(shù)據(jù)各個特征參數(shù)的值；
[0035]步驟1.4)組成輸入特征向量:通過計算各組的電化學(xué)信號特征值，得到了上百組樣本的值；將每組樣本的10項參數(shù)按噪聲電阻、特征電荷、特征頻率、小波歸一化能量(11?(17層的能量比的順序組成一組特征向量，上百組樣本值可得到上百組不同的特征向量。
[0036]在步驟3)中，由于懲罰參數(shù)0與核函數(shù)參數(shù)8的值分布較廣，如果按較小的間隔去計算會耗費大量時間，但如果采用較大的間隔去計算有可能造成精度過低；故在此采取變間隔的取值方法，首先采用大間隔去找到懲罰參數(shù)0與核函數(shù)參數(shù)8最佳值的大致位置，然后再在該最佳位置附近采用小間隔去尋找最佳懲罰參數(shù)^與核函數(shù)參數(shù)8 ；其具體過程三維圖如圖3所示；
[0037]如圖3所示，X，7坐標軸分別懲罰參數(shù)為0與核函數(shù)參數(shù)8值取2為底的對數(shù)，2坐標為交叉驗證得到的精度值，三維圖可以讓我們直觀地看到最高精度所處位置；先用大間隔做粗略搜索計算(圖如)，再用小間隔做精細搜索計算(圖此)；如圖33所示，當(dāng)懲罰參數(shù)。與核函數(shù)參數(shù)8變大時，其精度顯著增加，當(dāng)懲罰參數(shù)。與核函數(shù)參數(shù)8在0附近時取得最大值；故小間隔只需計算0附近即可，由圖:?可知當(dāng)懲罰參數(shù)0 = 0.25，核函數(shù)參數(shù)8 = 0.0625時得到最大交叉驗證精度99.5833%。
【權(quán)利要求】
1.一種基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法，其特征在于:所述的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法包括按順序進行的下列步驟: 步驟I)建立輸入特征向量:對從電化學(xué)噪聲腐蝕實驗得到的電化學(xué)噪聲信號數(shù)據(jù)進行整理，并由此建立輸入特征向量； 步驟2)分集處理:將輸入特征向量分為訓(xùn)練集80%和測試集20% ； 步驟3)尋找最佳的SVM參數(shù):由于SVM使用交叉驗證方法，在訓(xùn)練過程中取不同的懲罰參數(shù)c與核函數(shù)參數(shù)g，計算其均分交叉驗證的平均精度；當(dāng)平均精度達到最大時的懲罰參數(shù)c與核函數(shù)參數(shù)g被認為是最佳的SVM參數(shù)； 步驟4)通過訓(xùn)練集訓(xùn)練得到最佳的SVM模型:將上述得到的最佳懲罰參數(shù)c與核函數(shù)參數(shù)代入訓(xùn)練集進行訓(xùn)練而得到最佳的SVM模型； 步驟5)利用SVM模型預(yù)測電化學(xué)噪聲腐蝕類型:利用上述SVM模型去預(yù)測測試集而得到電化學(xué)噪聲腐蝕類型的預(yù)測結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法，其特征在于:在步驟I)中，所述的建立輸入特征向量的方法如下: 步驟1.D提煉不同腐蝕類型的典型電化學(xué)噪聲信號:根據(jù)電化學(xué)噪聲在時域圖中的腐蝕將其區(qū)分為點蝕、均勻腐蝕和鈍化三種腐蝕類型；不同的腐蝕類型其表現(xiàn)的電化學(xué)噪聲在時域圖上有很大區(qū)別；當(dāng)發(fā)生點蝕時，電流噪聲和電壓噪聲會出現(xiàn)明顯的暫態(tài)峰；當(dāng)發(fā)生鈍化或者均勻腐蝕時，電流噪聲和電壓噪聲則表現(xiàn)為高頻的無規(guī)律的振蕩； 步驟1.2)數(shù)據(jù)分組:將采集得到的實驗數(shù)據(jù)按1024個點為一單位進行數(shù)據(jù)切割，即每512秒存一個單獨小文件，文件名按時間疊加，則可以得到大量的各種腐蝕的數(shù)據(jù)； 步驟1.3)提取每組數(shù)據(jù)各個特征參數(shù):對這些所有小文件中每種腐蝕類型隨機選取上百組數(shù)據(jù)，批處理這些數(shù)據(jù)，得到每組數(shù)據(jù)各個特征參數(shù)的值； 步驟1.4)組成輸入特征向量:通過計算各組的電化學(xué)信號特征值，得到了上百組樣本的值；將每組樣本的10項參數(shù)按噪聲電阻、特征電荷、特征頻率、小波歸一化能量dl?d7層的能量比的順序組成一組特征向量，上百組樣本值可得到上百組不同的特征向量。
3.根據(jù)權(quán)利要求1所述的基于支持向量機的電化學(xué)噪聲腐蝕類型判別方法，其特征在于:在步驟3)中，所述的尋找最佳的SVM參數(shù)的方法是:首先采用大間隔去找到懲罰參數(shù)c與核函數(shù)參數(shù)g最佳值的大致位置，然后再在該最佳位置附近采用小間隔去尋找最佳懲罰參數(shù)c與核函數(shù)參數(shù)g。
【文檔編號】G01N17/02GK104502267SQ201410849135
【公開日】2015年4月8日 申請日期:2014年12月31日 優(yōu)先權(quán)日:2014年12月31日
【發(fā)明者】李健, 張宇, 孔偉康, 陳冠任, 鄭煥軍 申請人:天津大學(xué)