權(quán)利要求書： 1.考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，包括以下步驟：步驟S1，采集回轉(zhuǎn)窯的工況數(shù)據(jù)；

步驟S2，對熱工信號進(jìn)行特征提取，轉(zhuǎn)化成用于分類的訓(xùn)練數(shù)據(jù)；

步驟S3，對預(yù)處理后的訓(xùn)練數(shù)據(jù)計算出核矩陣；

步驟S4，將核矩陣和訓(xùn)練數(shù)據(jù)進(jìn)行ODM訓(xùn)練學(xué)習(xí)得到訓(xùn)練分類器C；

步驟S5，運(yùn)用訓(xùn)練分類器C計算出訓(xùn)練樣本到分類面的間隔，并計算出間隔均值；

步驟S6，根據(jù)計算的間隔和間隔均值，計算得到保角變換函數(shù)；

步驟S7，根據(jù)保角變換函數(shù)對核函數(shù)進(jìn)行修正，得到新的核矩陣；

步驟S8，使用修正后的核矩陣進(jìn)行ODM訓(xùn)練，得到分類器，可以識別出燒結(jié)狀態(tài)是正常還是異常，然后采取相關(guān)措施。

2.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S1中，工況數(shù)據(jù)包括八種熱工信號，包括喂煤速度CF、投原料速度RMF、一次空氣PA、窯尾負(fù)壓NP、窯頭氣體溫度KHT、窯尾氣體溫度KTT、主機(jī)電流MDC和燒結(jié)區(qū)火焰的溫度ST。

3.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S2的具體過程是：

步驟S2.1，通過下述公式：

其中， 是指加入s個熱工信號XD所求得的李普希茨商，L(k)是所有 中第k大的商，s是熱工信號XD的個數(shù)，XD(i)表示作為輸入的熱工信號XD中的第i個數(shù)據(jù)，XD(j)表示作為輸入的熱工信號XD中的第j個數(shù)據(jù)，XD(i?s)表示作為輸入的熱工信號XD中的第i?s個數(shù)據(jù)，XD(j?s)表示作為輸入的熱工信號XD中的第j?s個數(shù)據(jù)，XD屬于{CF，RMF，PA，NP，KHT，KTT，MDC，ST}八種熱工信號之一，XRT(i)、XRT(j)表示作為模型輸出的熱工信號RT中的第i個數(shù)據(jù)和第s

j個數(shù)據(jù)，L表示加入s個熱工信號XD后，所求得的李普希茨數(shù)；

s

隨著熱工信號XD中的內(nèi)容增加，即增加s，計算不同s值下的李普希茲數(shù)L ，隨著s值的增s

大，畫出s與李普希茲數(shù)L之間的曲線關(guān)系圖，通過在圖上找出下降轉(zhuǎn)折點、上升轉(zhuǎn)折點，找出最后一個相關(guān)輸入LRI，第一個相關(guān)輸入FRI和最后一個相關(guān)輸入LRI之間的時間段就是該熱工信號XD的相關(guān)時段RP；

步驟S2.2，對熱工信號進(jìn)行打標(biāo)，找出欠燒、過燒和正常三種工況時刻的數(shù)據(jù)，進(jìn)行標(biāo)簽劃分；

步驟S2.3，提取熱工信號的統(tǒng)計特征，統(tǒng)計特征包括平均值特征和趨勢特征：步驟S2.3.1，提取熱工信號的平均值特征：通過式(1)計算相關(guān)時段RP中各熱工信號的平均值：其中，MD為熱工信號XD的平均特征，DR為熱工信號XD的RP，LDR是DR的長度；

步驟S2.3.2，提取熱工信號的趨勢特征；

熱工信號趨勢定義為由熱工信號值線性擬合得到的斜率，線性擬合模型如下：g(tD)＝atD+b(2)其中，a和b分別為擬合直線的斜率和截距，tD為熱工信號XD對應(yīng)的時刻；

擬合直線g(tD)與XD之間的誤差通過最小化平均擬合損失來最小化：其中，tD(i)為熱工信號XD相關(guān)時段內(nèi)第i個數(shù)據(jù)對應(yīng)的時刻，以相關(guān)時段起點為0時刻，XDR(i)為熱工信號XD相關(guān)時段內(nèi)的第i個數(shù)據(jù)，斜率a的最優(yōu)值為趨勢特征，將熱工信號XD的趨勢特征表示為AD；

步驟S2.4，提取熱工信號的動態(tài)特征，動態(tài)特征包括短時能量和樣本熵特征：步驟S2.4.1，提取短時能量特征對于熱工信號的短時能量定義為：

其中，En(t)為t時刻的短時能量，w()為窗口函數(shù)，Nc為窗口寬度，此處的i表示從t?(Nc?

1)時刻迭代到t時刻的一個迭代變量；

當(dāng)矩形窗口w(n)定義為：

其中，若n時刻在熱工信號XD的相關(guān)時段內(nèi)，則w(n)＝1，否則為0；

將式(5)代入到式(4)中，RP中熱工信號的短時能量ED由下式計算：步驟S2.4.2，提取樣本熵特征；

對于時序熱工信號 可得到一組按序號順序排列的m維向量向量Um(i)與Um(j)之間的最大距離定義為：其中，Um(j)為Um向量中的第j個元素，i，j，k為Um向量中的元素位置；

對于給定的向量Um(i)，滿足{Um(j)|1≤j≤t?m,j≠i}條件的向量Um(i)和Um(j)之間的最大距離不大于給定閾值η的數(shù)表示為Bi，對于維數(shù)m，兩個向量匹配m個點的概率定義為：則該熱工信號的樣本熵為：

m+1 m

其中，B 為B中m維數(shù)取m+1時的值，各燒結(jié)狀態(tài)樣本由MD，AD，ED和SED四個特征組成，RP中各熱工信號可表示為{MCF,...,MST,...,SECF,...,SEST}，由此可以得到訓(xùn)練樣本Xtrain由N個包含{MCF，...，MST，...，SECF，...，SEST}這些特征的向量組成的一個矩陣，N為訓(xùn)練樣本個數(shù)。

4.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S3的具體過程是：

選擇RBF核作為核函數(shù)，根據(jù)式(10)計算訓(xùn)練樣本的核矩陣K：其中，K(i,j)表示核矩陣K中的第i行j列的元素，Xtrain(i)、Xtrain(j)分別為訓(xùn)練樣本Xtrain中的第i個樣本和第j個樣本，σ為RBF核中的參數(shù)。

5.根據(jù)權(quán)利要求4所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S4的具體過程是：

用于判別欠燒、過燒和正常三種狀態(tài)的分類器可以表示為 即訓(xùn)練數(shù)據(jù)通過映射函數(shù) 映射到RBF核空間后，由分類器進(jìn)行分離，其中y表示訓(xùn)練樣本標(biāo)簽， 表示實際訓(xùn)練樣本空間到RBF核空間的映射函數(shù)，映射函數(shù)與核矩陣的關(guān)系為xi為Xtrain的第i個訓(xùn)練樣本的特征向量，xj為Xtrain的第j個訓(xùn)練樣本的特征向量，T表示ω向量的轉(zhuǎn)置，(xi,yi)樣本的邊際定義為：其中，f()表示計算間隔關(guān)于xi的函數(shù)，γi中定義(xi,yi)樣本的間隔，xi為Xtrain的第i個訓(xùn)練樣本的特征向量，yi為Xtrain中的第i個訓(xùn)練樣本的標(biāo)簽；

間隔均值表示為：

其中，ω為線性分類器中的系數(shù)；然后通過計算每個樣本的間隔與間隔均值之間的差值，得到間隔方差如下：

yi為Xtrain中的第i個訓(xùn)練樣本的標(biāo)簽，N為訓(xùn)練樣本個數(shù)；

考慮到間隔均值和間隔方差的計算效率較低，通過縮放將邊緣均值設(shè)置為1，通過最小化邊際方差，優(yōu)化邊際分布，表示ODM的目標(biāo)函數(shù)為：其中，ξi、εi分別為xi樣本的間隔與間隔均值的下界偏差、xi樣本的間隔與間隔均值的上界偏差，S為ODM的稀疏參數(shù)，決定哪些樣本是支持向量，C1和C2為懲罰參數(shù)，C1和C2分別控制ξi和εi在目標(biāo)函數(shù)中的權(quán)重，C1作為分類器間隔下界錯分的懲罰，C2作為分類器間隔上界錯分的懲罰，N為訓(xùn)練樣本個數(shù)；

得到了ODM分類器凸函數(shù)形式，進(jìn)行ODM訓(xùn)練，ODM訓(xùn)練輸入是訓(xùn)練樣本Xtrain和訓(xùn)練樣本標(biāo)簽y，輸出是計算Xtrain間隔的函數(shù)f()。

6.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S5的具體過程是：

當(dāng)ODM學(xué)習(xí)訓(xùn)練結(jié)束后，將每個回轉(zhuǎn)窯數(shù)據(jù)樣本代入式(15)中即可求出樣本到分類面的間隔：

其中，Xtrain(j)為第j個訓(xùn)練樣本，Xtrain(i)為第i個訓(xùn)練樣本，yj為Xtrain中的第j個訓(xùn)練樣本的標(biāo)簽，yi為Xtrain中的第i個訓(xùn)練樣本的標(biāo)簽，K(Xtrain(i),Xtrain(j))為K核矩陣中訓(xùn)練樣本Xtrain(i)對應(yīng)的行和訓(xùn)練樣本Xtrain(j)對應(yīng)列的元素，α為訓(xùn)練后得到的分類面系數(shù)，f(x)表示計算間隔關(guān)于x的函數(shù)；

之后根據(jù)式(16)計算間隔均值：其中，為間隔均值，∑f(Xtrain(i))為所有訓(xùn)練樣本間隔之和，N為訓(xùn)練樣本個數(shù)。

7.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S6中，計算保角變換函數(shù)具體步驟為：其中，S是ODM的稀疏參數(shù)，f(Xtrain)和 分別表示間隔和間隔均值，Kn和Kf為特征空間中控制不同區(qū)域體積膨脹系數(shù)的懲罰參數(shù)，Kn控制 區(qū)域內(nèi)的體積膨脹，Kf控制 區(qū)域內(nèi)的體積膨脹，e為自然常數(shù)，NIR為訓(xùn)練樣本的不平衡比IR，控制不同標(biāo)簽樣本的空間膨脹系數(shù)定義為：+ ? + ?

其中，Xtrain表示訓(xùn)練樣本，X為多數(shù)類樣本，X為少數(shù)類樣本，n 和n 分別表示多數(shù)樣本個數(shù)和少數(shù)樣本個數(shù)，多數(shù)類樣本為正常燒結(jié)狀態(tài)樣本，少數(shù)類樣本為過燒和欠燒燒結(jié)狀態(tài)樣本。

8.根據(jù)權(quán)利要求1所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S7包括：

T

求得向量d＝(d1,d2,...,dN) 表示由公式(17)計算得到的一個N維向量，di＝D(Xtrain(i))，i＝1，…，N，當(dāng)i＝1，…，N時，di表示N維向量d中的d1,d2,...,dN個元素，N為訓(xùn)練樣本T T

個數(shù)，dd 是d與d的矩陣相乘，結(jié)果是一個N行N列的正(半)定矩陣，修正后的新核矩陣由下T

列矩陣形式保角變換公式求得，為dd和K組成的一個哈達(dá)瑪積：T

Knew＝dd*K(19)其中，Knew為通過保角變換修正后的新的核矩陣。

9.根據(jù)權(quán)利要求5所述的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，其特征在于，所述步驟S8包括：將Knew替換步驟S3中公式(10)計算得到的核矩陣K，再進(jìn)行ODM訓(xùn)練，可以得到分類器 重復(fù)進(jìn)行步驟S3?S7兩遍，訓(xùn)練出兩個分類器，第一次訓(xùn)練將欠燒和過燒的樣本標(biāo)簽設(shè)為1，正常樣本標(biāo)簽設(shè)為?1，得到分類器一；第二次訓(xùn)練將正常樣本剔除，在欠燒和過燒之間訓(xùn)練分類器；將欠燒樣本標(biāo)簽設(shè)為1，過燒樣本設(shè)為?1，得到分類器二；通過兩個分類器，特征提取后熱工信號的數(shù)據(jù)的燒結(jié)狀態(tài)可以得到有效的識別，將特征提取后熱工信號的數(shù)據(jù)替換掉分類器中的Xtrain，求出對應(yīng)的樣本標(biāo)簽，先通過分類器一識別出燒結(jié)狀態(tài)是正常還是異常，若為異常燒結(jié)狀態(tài)，再通過分類器二判斷出是欠燒還是過燒，采取相關(guān)措施。

說明書： 考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法技術(shù)領(lǐng)域[0001] 本發(fā)明主要涉及回轉(zhuǎn)窯燒結(jié)狀態(tài)識別技術(shù)領(lǐng)域，特別是涉及一種核修正和最優(yōu)間隔分布的類別不均衡分類方法。

背景技術(shù)[0002] 回轉(zhuǎn)窯是廣泛應(yīng)用于鋼鐵、電力、水泥等領(lǐng)域的核心生產(chǎn)設(shè)備?；剞D(zhuǎn)窯的燒結(jié)狀態(tài)直接影響熟料質(zhì)量。以氧化鋁回轉(zhuǎn)窯為例，回轉(zhuǎn)窯燒結(jié)主要有正常燒結(jié)、欠燒燒結(jié)和過燒燒

結(jié)三種燒結(jié)狀態(tài)。欠燒和過燒是不正常的狀態(tài)。在欠燒狀態(tài)下，原料熔化不充分，導(dǎo)致后期

冶煉過程中氧化鋁提取不完全。熟料在過燒的情況下，會產(chǎn)生粘性，容易結(jié)塊，不利于破碎

和冶煉。另外，過熱會對耐火材料造成損傷，增加回轉(zhuǎn)窯的維護(hù)成本。燒結(jié)狀態(tài)的準(zhǔn)確判斷

和識別對保證安全生產(chǎn)和提高生產(chǎn)效率至關(guān)重要，控制系統(tǒng)采取適當(dāng)?shù)拇胧﹣砭S持正常生

產(chǎn)也是前提。

[0003] 燒結(jié)狀態(tài)識別(SCR)一直不是一項簡單的工作。物理測量設(shè)備測得的溫度是控制回轉(zhuǎn)窯的一個重要指標(biāo)。然而，僅僅通過溫度來估計燒結(jié)狀態(tài)是不夠的。例如，在正常燒結(jié)

狀態(tài)下，氧化鋁回轉(zhuǎn)窯的火焰溫度(ST)會根據(jù)材料組成或供煤值等諸多復(fù)雜因素變化，在

1000℃到1300℃之間。另外，由于回轉(zhuǎn)窯延遲大，溫度變化一般滯后于燒結(jié)狀態(tài)的變化，氧

化鋁回轉(zhuǎn)窯的燒結(jié)溫度不能及時反映當(dāng)前燒結(jié)狀態(tài)。

[0004] 由于燒結(jié)過程涉及復(fù)雜的物理和化學(xué)反應(yīng)，回轉(zhuǎn)窯的機(jī)理模型難以建立。事實上，在大多數(shù)燃煤工業(yè)領(lǐng)域，燒結(jié)狀態(tài)是由操作人員根據(jù)經(jīng)驗通過工藝數(shù)據(jù)的變化來判斷的。

近年來，利用現(xiàn)場工藝數(shù)據(jù)對燒結(jié)狀態(tài)或相關(guān)參數(shù)進(jìn)行自動識別的研究很多?；剞D(zhuǎn)窯燒結(jié)

狀態(tài)識別的過程場數(shù)據(jù)包括火焰圖像和熱信號?；诨鹧鎴D像的方法以其直觀、快速的特

點在燒結(jié)狀態(tài)識別中占有重要的地位。研究人員提取了各種視覺特征，并開發(fā)了基于火焰

圖像的分類器。但在煤粉場中，煙塵干擾會造成圖像的破壞，嚴(yán)重影響算法的精度。與此同

時，許多研究人員分析了熱信號的特性，并利用軟計算技術(shù)對燒結(jié)狀態(tài)識別進(jìn)行了研究。通

過建立了預(yù)測模型，并根據(jù)實際與預(yù)測值的差值確定了燒結(jié)狀態(tài)。這在利用熱信號識別燒

結(jié)狀態(tài)方面也取得了良好的性能。

[0005] 上述數(shù)據(jù)驅(qū)動方法在燒結(jié)狀態(tài)識別方面取得了很大的成就。但是，由于異常情況發(fā)生的概率遠(yuǎn)遠(yuǎn)小于正常情況發(fā)生的概率，因此采集到的工業(yè)數(shù)據(jù)通常是類別不平衡的，

現(xiàn)有的方法通常忽略了這一點。在類別不平衡的情況下，識別模型的學(xué)習(xí)分隔符總是傾向

于少數(shù)類，這使得識別模型的泛化性能和異常狀態(tài)的識別精度下降。在回轉(zhuǎn)窯現(xiàn)場，對異常

情況的誤判可能會導(dǎo)致一系列的誤操作，造成嚴(yán)重的后果。例如，當(dāng)過燒狀態(tài)被誤判為欠燒

狀態(tài)時，控制系統(tǒng)可能會進(jìn)行一系列與欠燒狀態(tài)相對應(yīng)的操作，如增加輸煤量，導(dǎo)致燒結(jié)區(qū)

溫度不斷升高，從而降低熟料質(zhì)量，破壞設(shè)備?；剞D(zhuǎn)窯類別不平衡數(shù)據(jù)的存在，對燒結(jié)狀態(tài)

識別模型的設(shè)計提出了挑戰(zhàn)。

發(fā)明內(nèi)容[0006] 本發(fā)明實施例的目的在于提供一種考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，針對現(xiàn)有技術(shù)沒有考慮到回轉(zhuǎn)窯燒結(jié)狀態(tài)存在數(shù)據(jù)類別不均衡，從而造成燒結(jié)狀態(tài)在異常

狀態(tài)下識別精度低，泛化性能差的問題。

[0007] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，包括以下步驟：

[0008] 步驟S1，采集回轉(zhuǎn)窯的工況數(shù)據(jù)；[0009] 步驟S2，對熱工信號進(jìn)行特征提取，轉(zhuǎn)化成用于分類的訓(xùn)練數(shù)據(jù)；[0010] 步驟S3，對預(yù)處理后的訓(xùn)練數(shù)據(jù)計算出核矩陣；[0011] 步驟S4，將核矩陣和訓(xùn)練數(shù)據(jù)進(jìn)行ODM訓(xùn)練學(xué)習(xí)得到訓(xùn)練分類器C；[0012] 步驟S5，運(yùn)用訓(xùn)練分類器C計算出訓(xùn)練樣本到分類面的間隔，并計算出間隔均值；[0013] 步驟S6，根據(jù)計算的間隔和間隔均值，計算得到保角變換函數(shù)；[0014] 步驟S7，根據(jù)保角變換函數(shù)對核函數(shù)進(jìn)行修正，得到新的核矩陣；[0015] 步驟S8，使用修正后的核矩陣進(jìn)行ODM訓(xùn)練，得到分類器，可以識別出燒結(jié)狀態(tài)是正常還是異常，然后采取相關(guān)措施。

[0016] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：[0017] (1)本發(fā)明將熱工信號中的統(tǒng)計特征和動態(tài)特征相結(jié)合，動態(tài)特征的引入使燒結(jié)狀態(tài)描述更加全面，可以有效提高燒結(jié)狀態(tài)樣品的可分性，并且能夠有效的解決了回轉(zhuǎn)窯

熱工數(shù)據(jù)強(qiáng)耦合、大時滯的特點，使提取出的特征具有更好的可分性，進(jìn)而提高燒結(jié)狀態(tài)識

別的精度，避免識別錯誤導(dǎo)致的影響，有利于工廠的自動化生產(chǎn)。

[0018] (2)本發(fā)明能夠在類別不均衡的情況下，有效的進(jìn)行分類，避免了多數(shù)類對分類面的干擾，增加了欠燒和過燒兩種不正常燒結(jié)狀態(tài)的識別精度。這種分類識別方法，泛化能力

強(qiáng)，可以大大提高回轉(zhuǎn)窯燒結(jié)狀態(tài)的識別精度。

[0019] (3)本發(fā)明所構(gòu)造的新的保角變換函數(shù)，能夠有效提高分類器的數(shù)據(jù)可分性和泛化能力，構(gòu)造時引入了不均衡參數(shù)，增加了少數(shù)類樣本對分類器的影響，可以緩解由于數(shù)據(jù)

不均衡造成的少數(shù)類分類面偏移和檢測精度下降的問題。

附圖說明[0020] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本

發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以

根據(jù)這些附圖獲得其他的附圖。

[0021] 圖1為本發(fā)明的分類算法在實施例的方法流程圖。[0022] 圖2為通過ODM和本文提出的方法KMODM得到各燒結(jié)狀態(tài)的邊緣分布比較圖。[0023] 圖3為在使用不均衡率為10的半月牙數(shù)據(jù)集上，本文提出的方法KMODM和ODM學(xué)習(xí)的分類面的比較圖。

[0024] 圖4(a)是李普希茨數(shù)與相關(guān)輸入之間的折線示意圖，注明了最后一個相關(guān)輸入的位置。對熱工信號進(jìn)行相關(guān)時段分析，即Lipschitz方法，李普希茨數(shù)下降轉(zhuǎn)折的位置就是

最后一個相關(guān)輸入的位置。

[0025] 圖4(b)是李普希茨數(shù)與相關(guān)輸入之間的折線示意圖，注明了第一個相關(guān)輸入的位置。對熱工信號進(jìn)行相關(guān)時段分析，李普希茨數(shù)的第一個突變是輸入就是第一個相關(guān)輸入

的位置。

具體實施方式[0026] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒?br>
發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實

施例，都屬于本發(fā)明保護(hù)的范圍。

[0027] 如圖1所示，本發(fā)明實施例的考慮類別不平衡的回轉(zhuǎn)窯燒結(jié)狀態(tài)識別方法，具體步驟是：

[0028] 步驟S1，采集回轉(zhuǎn)窯的工況數(shù)據(jù)；[0029] 步驟S2，對熱工信號進(jìn)行特征提取，轉(zhuǎn)化成用于分類的訓(xùn)練數(shù)據(jù)；[0030] 步驟S3，對預(yù)處理后的數(shù)據(jù)計算出核矩陣；[0031] 步驟S4，將核矩陣和訓(xùn)練樣本進(jìn)行ODM(optimalmargindistributionmachine最優(yōu)間隔分布機(jī)：一種在支持向量機(jī)最大化最小間隔原理基礎(chǔ)上，考慮最優(yōu)間隔分布進(jìn)行

改進(jìn)的分類方法)訓(xùn)練學(xué)習(xí)得到訓(xùn)練分類器C。

[0032] 步驟S5，運(yùn)用訓(xùn)練分類器C計算出訓(xùn)練樣本到分類面的間隔，并計算出間隔均值。[0033] 步驟S6，根據(jù)計算的間隔和間隔均值，計算得到保角變換函數(shù)。[0034] 步驟S7，根據(jù)保角變換函數(shù)對核函數(shù)進(jìn)行修正，得到新的核矩陣。[0035] 步驟S8，使用修正后的核矩陣進(jìn)行ODM訓(xùn)練，得到分類器。[0036] 進(jìn)一步的，步驟S1，采集回轉(zhuǎn)窯中八種熱工信號，包括喂煤速度(CF)、投原料速度(RMF)、一次空氣(PA)(一次空氣又叫一次風(fēng)，是指回轉(zhuǎn)窯燃燒時，與煤粉混合一起送入爐膛

的空氣；一次風(fēng)對鍋爐的燃燒起主導(dǎo)作用)、窯尾負(fù)壓(NP)、窯頭氣體溫度(KHT)、窯尾氣體

溫度(KTT)、主機(jī)電流(MDC)和燒結(jié)區(qū)火焰的溫度(ST)，如表1。

[0037] 表1回轉(zhuǎn)窯的熱工變量[0038] 變量 描述 單位CF 喂煤速率 t/h

RMF 投放原料速率 t/h

3

PA 一次空氣 m/h

NP 窯尾負(fù)壓 Pa

KHT 窯頭氣體溫度 ℃

KTT 窯尾氣體溫度 ℃

MDC 主機(jī)電流 A

ST 用比色溫度計測量燒結(jié)區(qū)火焰的溫度 ℃

[0039] 步驟S2具體過程是：[0040] 步驟S2.1，對熱工信號進(jìn)行相關(guān)時段分析。[0041] 一般來說，輸入信號的變化需要一段時間來改變系統(tǒng)的輸出(例如，投放煤料的速度增加了，不會立刻導(dǎo)致溫度的增加，需要等投放的煤料充分燃燒時才會導(dǎo)致溫度的增

加)。為了估計輸入變量(即八個熱工信號，其中ST信號輸入輸出都是本身，是以本身為輸入

輸出求出的相關(guān)時段)的相關(guān)時間段的變化，采用了一種無模型的方法，即Lipschitz方法，

該方法首先用于確定非線性系統(tǒng)的階數(shù)，改進(jìn)方法可用于估計復(fù)雜非線性系統(tǒng)的輸入延

遲。Lipschitz方法的估計結(jié)果可以揭示第一個相關(guān)輸入(FRI)和最后一個相關(guān)輸入(LRI)，

因此第一個和最后一個相關(guān)輸入之間的時間段可以定義為相關(guān)時段(RP)。為了得到各輸入

信號的相對速度，本發(fā)明建立了以單熱工信號為輸入，以單熱工信號為輸出的幾個模型，求

出了每個熱工信號的相關(guān)時段(RP)。

[0042] 首先通過下述公式：[0043][0044][0045] 其中， 是指加入s個熱工信號XD所求得的李普希茨商，L(k)是李普希茨商，L(k)是所有 中第k大的商，s是熱工信號XD的個數(shù)。XD(i)表示作為輸入的熱工信號XD中的第i

個數(shù)據(jù)，XD(j)表示作為輸入的熱工信號XD中的第j個數(shù)據(jù)，XD(i?s)表示作為輸入的熱工信

號XD中的第i?s個數(shù)據(jù)，XD(j?s)表示作為輸入的熱工信號XD中的第j?s個數(shù)據(jù)。XD屬于{CF，

RMF，PA，NP，KHT，KTT，MDC，ST}八種熱工信號之一。XRT(i)、XRT(j)表示作為模型輸出的熱工

s

信號RT中的第i個數(shù)據(jù)和第j個數(shù)據(jù)。L表示加入s個熱工信號XD后，所求得的李普希茨數(shù)。

[0046] 隨著加入模型中熱工信號XD中的內(nèi)容增加，即增加s，計算不同s值下的李普希茲s s

數(shù)L。隨著s值的增大，可以畫出s與李普希茲數(shù)L 之間的曲線關(guān)系圖，通過在圖上找出下降

轉(zhuǎn)折點(如圖4(a))上升轉(zhuǎn)折點(如圖4(b))。圖4(a)可找出最后一個相關(guān)輸入(LRI)。圖4(b)

值第一次突然增加的地方稱為第一個相關(guān)輸入(FRI)。第一個相關(guān)輸入(FRI)和最后一個相

關(guān)輸入(LRI)之間的時間段就是該熱工信號XD的相關(guān)時段(RP)。

[0047] 步驟S2.2，對熱工信號進(jìn)行打標(biāo)，找出欠燒、過燒和正常三種工況時刻的數(shù)據(jù)，進(jìn)行標(biāo)簽劃分。具體是在所有熱工信號中找出欠燒、過燒和正常的時刻點，再選取以該時刻為

末尾，截取之前一段相關(guān)時段DR內(nèi)的時刻點，以這一段序列共同作為一個樣本。

[0048] 步驟S2.3，提取熱工信號的統(tǒng)計特征，統(tǒng)計特征包括平均值特征和趨勢特征。[0049] 步驟S2.3.1，提取熱工信號的平均值特征。[0050] 相關(guān)時段(RP)中各熱工信號的平均值與燒結(jié)狀態(tài)密切相關(guān)，通過式(1)計算相關(guān)時段(RP)中各熱工信號的平均值：

[0051][0052] 其中，MD為熱工信號XD的平均特征，XD為熱工信號，XD(i)為XD中的第i個數(shù)據(jù)，DR為熱工信號XD的RP，LDR是DR的長度，XD∈{CF，RMF，PA，NP，KHT，KTT，MDC，ST}。

[0053] 步驟S2.3.2，提取熱工信號的趨勢特征[0054] 熱工信號趨勢是燒結(jié)狀態(tài)識別不可忽視的特征，它定義為由熱工信號值線性擬合得到的斜率。線性擬合模型如下：

[0055] g(tD)＝atD+b(2)[0056] 其中，a和b分別為擬合直線的斜率和截距，tD為熱工信號XD對應(yīng)的時刻。[0057] 擬合直線g(tD)與XD之間的誤差通過最小化平均擬合損失來最小化：[0058][0059] 其中，tD(i)為熱工信號XD相關(guān)時段內(nèi)第i個數(shù)據(jù)對應(yīng)的時刻，以相關(guān)時段起點為0時刻，XDR(i)為熱工信號XD相關(guān)時段內(nèi)的第i個數(shù)據(jù)。斜率a的最優(yōu)值為趨勢特征，本發(fā)明將

熱工信號XD的趨勢特征表示為AD。

[0060] 步驟S2.4，提取熱工信號的動態(tài)特征，動態(tài)特征包括短時能量和樣本熵特征。[0061] 步驟S2.4.1，提取短時能量特征[0062] 短時能量可以在短時間內(nèi)分辨出信號的穩(wěn)定性，在語音信號處理和識別中得到了廣泛的應(yīng)用。對于熱工信號的短時能量定義為：

[0063][0064] 其中，En(t)為t時刻的短時能量，w()為窗口函數(shù)，Nc為窗口寬度，i表示從t?(Nc?1)時刻迭代到t時刻的一個迭代變量。

[0065] 根據(jù)專家經(jīng)驗，不同燒結(jié)狀態(tài)下的熱工信號穩(wěn)定性存在顯著差異。例如，在欠燒狀態(tài)下，KHT的波動比其他狀態(tài)下更為嚴(yán)重。因此，提取RP中熱工信號的短時能量作為燒結(jié)狀

態(tài)識別的特征。

[0066] 當(dāng)矩形窗口w(n)定義為：[0067][0068] 其中，若n時刻在熱工信號XD的相關(guān)時段內(nèi)，則w(n)＝1，否則為0。[0069] 將式(5)代入到式(4)中，RP中熱工信號的短時能量ED由下式計算：[0070][0071] 步驟S2.4.2，提取樣本熵特征[0072] 在故障診斷任務(wù)中，經(jīng)常使用樣本熵來分析信號的復(fù)雜度或提取相關(guān)特征。同樣，在不同的燒結(jié)狀態(tài)下，熱工信號的復(fù)雜性也不同，可計算出RP中熱工信號的樣本熵來描述

它。

[0073] 對于時序熱工信號 可以得到一組按序號順序排列的m維向量向量Um(i)與Um(j)之間的最大距離定義為：

[0074][0075] 其中，Um(j)為Um向量中的第j個元素，i，j，k為Um向量中的元素位置。[0076] 此處的i與上文的i意思相同，i與j元素位置既可以相同也可以不同，上式只作為一個最大距離的定義計算方法，表示如何計算m維向量之間的最大距離，k表示從1到m?1的

一個迭代量。上式表示計算XD(i)與XD(j)兩個向量之間的最大距離，先求m維每個維數(shù)之間

的差的絕對值，然后m個絕對值中的最大值就表示最大距離。

[0077] 對于給定的向量Um(i)，滿足{Um(j)|1≤j≤t?m,j≠i}條件的向量Um(i)和Um(j)之間的最大距離不大于給定閾值η的數(shù)表示為Bi。對于維數(shù)m，兩個向量匹配m個點的概率定義

為：

[0078][0079] 則該熱工信號的樣本熵為：[0080][0081] 其中，Bm+1為Bm中m維數(shù)取m+1時的值。[0082] 各燒結(jié)狀態(tài)樣本由MD，AD，ED和SED四個特征組成，RP中各熱工信號可表示為{MCF,...,MST,...,SECF,...,SEST}。由此可以得到訓(xùn)練樣本Xtrai由N個包含{MCF，...，

MST，...，SECF，...，SEST}這些特征的向量組成的一個矩陣。N為訓(xùn)練樣本個數(shù)。

[0083] 步驟S3選擇RBF核作為核函數(shù)。根據(jù)式(10)計算訓(xùn)練樣本的核矩陣K：[0084][0085] 其中，K(i,j)表示核矩陣K中的第i行j列的元素，Xtrain(i)、Xtrain(j)分別為訓(xùn)練樣本Xtrain中的第i個樣本和第j個樣本，σ為RBF核中的參數(shù)。

[0086] 步驟S4，一般情況下，用于判別欠燒、過燒和正常三種狀態(tài)的分類器可以表示為即訓(xùn)練數(shù)據(jù)通過映射函數(shù) 映射到RBF核空間后，由分類器進(jìn)行分離，徑向

基(RBF)核函數(shù)能將原始空間映射到無窮維特征空間即RBF核空間。在RBF核空間中，樣本之

間的相關(guān)關(guān)系可由核矩陣表示。其中y表示訓(xùn)練樣本的標(biāo)簽， 表示實際訓(xùn)練樣本空間到

RBF核空間的映射函數(shù)，映射函數(shù)與核矩陣的關(guān)系為 xi為Xtrain的第i個

訓(xùn)練樣本的特征向量，xj為Xtrain的第j個訓(xùn)練樣本的特征向量，T表示ω向量的轉(zhuǎn)置。(xi,yi)

樣本的邊際可定義為：

[0087][0088] 其中，f()表示計算間隔關(guān)于xi的函數(shù)，γi中定義(xi,yi)樣本的間隔，xi為Xtrain的第i個訓(xùn)練樣本的特征向量，yi為Xtrain中的第i個訓(xùn)練樣本的標(biāo)簽。

[0089] 間隔均值可以表示為：[0090][0091] 其中，ω為線性分類器中的系數(shù)；然后通過計算每個樣本的間隔與間隔均值之間的差值，得到間隔方差如下：

[0092][0093] yi為Xtrain中的第i個訓(xùn)練樣本的標(biāo)簽，N為訓(xùn)練樣本個數(shù)。[0094] 考慮到間隔均值和間隔方差的計算效率較低，通過縮放將邊緣均值設(shè)置為1。通過最小化邊際方差，優(yōu)化邊際分布，表示ODM的目標(biāo)函數(shù)為：

[0095][0096] 其中，ξi、εi分別為xi樣本的間隔與間隔均值的下界偏差、xi樣本的間隔與間隔均值的上界偏差，S為ODM的稀疏參數(shù)，決定哪些樣本是支持向量，C1和C2為懲罰參數(shù)，C1和C2分

別控制ξi和εi在目標(biāo)函數(shù)中的權(quán)重，C1作為分類器間隔下界錯分的懲罰，C2作為分類器間隔

上界錯分的懲罰，N為訓(xùn)練樣本個數(shù)。

[0097] 得到了ODM分類器凸函數(shù)形式，進(jìn)行ODM訓(xùn)練，ODM訓(xùn)練輸入是訓(xùn)練樣本Xtrain和訓(xùn)練樣本標(biāo)簽y，輸出是計算Xtrain間隔的函數(shù)f()。

[0098] 步驟S5，當(dāng)ODM學(xué)習(xí)訓(xùn)練結(jié)束后，就得到了一個訓(xùn)練好的分類面，將每個回轉(zhuǎn)窯數(shù)據(jù)樣本代入式(15)中即可求出樣本到分類面的間隔：

[0099][0100] 其中，Xtrain(j)為第j個訓(xùn)練樣本，Xtrain(i)為第i個訓(xùn)練樣本，yj為Xtrain中的第j個訓(xùn)練樣本的標(biāo)簽，yi為Xtrain中的第i個訓(xùn)練樣本的標(biāo)簽，K(Xtrain(i),Xtrain(j))為K核矩陣中

訓(xùn)練樣本Xtrain(i)對應(yīng)的行和訓(xùn)練樣本Xtrain(j)對應(yīng)列的元素。α為訓(xùn)練后得到的分類面系

數(shù)，f(x)表示計算間隔關(guān)于x的函數(shù)：

[0101] 之后根據(jù)式(16)計算間隔均值：[0102][0103] 其中，為間隔均值，∑f(Xtrain(i))為所有訓(xùn)練樣本間隔之和，N為訓(xùn)練樣本個數(shù)。[0104] 步驟S6，計算保角變換函數(shù)具體步驟為：[0105][0106] 其中，S是ODM的稀疏參數(shù)，f(Xtrain)和 分別表示間隔和間隔均值。Kn和Kf為特征空間中控制不同區(qū)域體積膨脹系數(shù)的懲罰參數(shù)，Kn控制 區(qū)域內(nèi)的體積膨

脹，Kf控制 區(qū)域內(nèi)的體積膨脹。e為自然常數(shù)。NIR為訓(xùn)練樣本的不平衡

比(IR)，控制不同標(biāo)簽樣本的空間膨脹系數(shù)定義為：

[0107][0108] 其中，Xtrain表示訓(xùn)練樣本，X+為多數(shù)類樣本，X?為少數(shù)類樣本。n+和n?分別表示多數(shù)樣本個數(shù)和少數(shù)樣本個數(shù)。在本實例中，多數(shù)類樣本為正常燒結(jié)狀態(tài)樣本，少數(shù)類樣本為過

燒和欠燒燒結(jié)狀態(tài)樣本。

[0109] 步驟S7，求得向量d＝(d1,d2,...,dN)T表示由公式(17)計算得到的一個N維向量，di＝D(Xtrain(i)),i＝1,…,N。i＝1,…,N時，di表示N維向量d中的d1,d2,...,dN個元素，N為訓(xùn)

T T

練樣本個數(shù)，dd是d與d 的矩陣相乘，結(jié)果是一個N行N列的正(半)定矩陣。修正后的新核矩

T

陣可以由下列矩陣形式保角變換公式求得，為dd和K組成的一個哈達(dá)瑪積：

[0110] Knew＝ddT*K(19)[0111] 其中，Knew為通過保角變換修正后的新的核矩陣。[0112] 由于ODM的原有效核矩陣是一個正(半)定矩陣。根據(jù)舒爾定理，可以很容易地證明它是一個正(半)定矩陣，從而證明它是一個有效的核矩陣(Mercer定理)。

[0113] 步驟S8，將Knew替換步驟S3中公式(10)計算得到的核矩陣K，再進(jìn)行ODM訓(xùn)練，可以得到分類器 由于ODM分類器屬于二分類。本實例中有欠燒、過燒和正常

三個標(biāo)簽，要重復(fù)進(jìn)行上述S3?S7步驟兩次，訓(xùn)練出兩個分類器。第一次訓(xùn)練將欠燒和過燒

的樣本標(biāo)簽設(shè)為1，正常樣本標(biāo)簽設(shè)為?1，得到分類器一。第二次訓(xùn)練將正常樣本剔除，在欠

燒和過燒之間訓(xùn)練分類器。將欠燒樣本標(biāo)簽設(shè)為1，過燒樣本設(shè)為?1，得到分類器二。通過兩

個分類器，特征提取后熱工信號的數(shù)據(jù)的燒結(jié)狀態(tài)可以得到有效的識別。將特征提取后熱

工信號的數(shù)據(jù)替換掉分類器中的Xtrain，求出對應(yīng)的樣本標(biāo)簽。先通過分類器一識別出燒結(jié)

狀態(tài)是正常還是異常(欠燒、過燒)。若為異常燒結(jié)狀態(tài)，再通過分類器二判斷出是欠燒還是

過燒。若是欠燒則需要采取相關(guān)措施，如適當(dāng)增加喂煤量。若是過燒也需要采取相關(guān)措施，

如適當(dāng)減少喂煤量。

[0114] 本發(fā)明設(shè)計了一個新的保角變換函數(shù)，并在ODM分類器的基礎(chǔ)上進(jìn)行核修正。針對類別不均衡的數(shù)據(jù)有更好的分類效果和更好的泛化性能。在保角變換函數(shù)構(gòu)造中，加入優(yōu)

化參數(shù)Kn和Kf，可以放大初始分界附近區(qū)域的膨脹系數(shù)，從而間接提高類邊界的空間分辨

率，可以有效地提高分類器的數(shù)據(jù)可分性和泛化性能。引入?yún)?shù)NIR來反映訓(xùn)練數(shù)據(jù)的IR，可

以對少數(shù)樣本自動賦值。這樣增加了這些少數(shù)樣品對最終分類器的影響?？梢跃徑庥捎跀?shù)

據(jù)不平衡而導(dǎo)致的少數(shù)類分離偏移和檢測精度下降的問題。

[0115] 分別利用統(tǒng)計特征和本發(fā)明提出的方法兩種特征提取方法分別進(jìn)行欠燒、過燒、正常三類數(shù)據(jù)進(jìn)行特征提取，并記錄各分類模型的性能。對比的方法有mcSM、mcODM、ODM、

PIBoost、FIECOC、DOO、DECOC、WKSMOTE、BAdaCos、LCSDM、FocalNN。每個分類器使用不同特

征的實驗重復(fù)30次，F(xiàn)1得分的均值和標(biāo)準(zhǔn)差如表1所示。括號內(nèi)的數(shù)字代表標(biāo)準(zhǔn)差，粗體數(shù)

據(jù)是最好的結(jié)果。

[0116] 表1不同分類器使用分別使用兩種特征提取方法所得到平均識別精度的比較[0117][0118] 對比使用不同特征的燒結(jié)狀態(tài)下各模型的識別精度，可以看出，在大多數(shù)情況下，引入動態(tài)特征可以將整體識別精度提高2％以上。說明本發(fā)明中動態(tài)特征的引入使燒結(jié)狀

態(tài)描述更加全面，可以有效提高燒結(jié)狀態(tài)樣品的可分性。從而證明了所提取的動態(tài)特征的

有效性。

[0119] 從各燒結(jié)狀態(tài)的識別精度可以看出，由于欠燒樣品與正常樣品的可分性較低，因此mcSM獲得的欠燒狀態(tài)識別率最低。通過優(yōu)化訓(xùn)練樣本的邊緣分布，mcODM、LCSDM和KMODM

可以獲得更合理的分選器，提高欠燒樣本的檢出率。特別是本發(fā)明的KMODM繼承了ODM強(qiáng)大

的分類能力，通過修改其內(nèi)核函數(shù)提高了處理類不平衡數(shù)據(jù)的能力。因此，它的欠燒檢出率

比其他方法至少提高了4％。

[0120] 此外，由于mcSM、mcODM和ODM沒有考慮到數(shù)據(jù)不均衡的影響，所以它們對正常情況的識別率遠(yuǎn)遠(yuǎn)高于對異常情況的識別率。但是，考慮訓(xùn)練數(shù)據(jù)分布不均衡的KMODM等分類

器可以顯著提高兩種異常情況的識別精度，獲得更高的整體檢出率。其中FIECOC、DECOC、

LCSDM和KMODM的整體識別正確率均在86％以上，特別是提出的KMODM的識別正確率在90％

左右。出現(xiàn)這種情況的原因是，反映不平衡度的參數(shù)N被嵌入到所提出的保角變換函數(shù)中。

使用保形函數(shù)來修改RBF核的ODM，膨脹系數(shù)小的少數(shù)類樣本位于核空間的地區(qū)被壓縮，分

類面被迫向多數(shù)類地區(qū)偏移，因此少數(shù)類的邊緣分布優(yōu)化和提高檢測精度。其他依賴于數(shù)

據(jù)預(yù)處理或代價敏感方法的分類器無法優(yōu)化樣本在核空間中的空間分布，得到的分類超平

面更接近于少數(shù)類，因此很難準(zhǔn)確識別測試數(shù)據(jù)集中的異常情況。

[0121] 圖2顯示了在回轉(zhuǎn)窯欠燒、過燒、正常三種樣本數(shù)據(jù)上，KMODM方法與ODM方法的比較。樣本的邊際分布可以反映分類器的泛化性能。邊際分布越好，模型的泛化性能越好。

KMODM和ODM各燒結(jié)狀態(tài)的邊緣分布如圖3所示。圖中x軸表示KMODM和ODM得到的訓(xùn)練樣本的

間隔，y軸表示每個間隔的統(tǒng)計頻率。由此可見，KMODM得到的異常情況的邊緣分布要大于

ODM得到的異常情況的邊緣分布。KMODM正常狀態(tài)的邊緣分布與ODM相似。也就是說，本發(fā)明

KMODM的方法可以實現(xiàn)更好的邊緣分布，對于異常情況的識別將會更加準(zhǔn)確。

[0122] 圖3表示在使用不均衡率為10的半月牙數(shù)據(jù)集上，KMODM和ODM學(xué)習(xí)的分類面的比較，以說明所提模型的有效性。在該圖中，ODM的分隔符嚴(yán)重傾向于少數(shù)類。然而，所提出的

KMODM采用核修正法，因此可以減輕分類器的偏度。從而優(yōu)化了邊緣分布和少數(shù)類的檢出

率。

[0123] 此外，為了驗證所提出的KMODM模型對其他不平衡分類任務(wù)的適用性，還對UCI標(biāo)準(zhǔn)數(shù)據(jù)集的部分實驗進(jìn)行了記錄。本發(fā)明采用F1評分來評估不同類別檢出率的平衡程度，

計算方法為:

[0124][0125] 式中，TP為真陽性，F(xiàn)N為假陰性，F(xiàn)P為假陽性，recall為召回率，pre為準(zhǔn)確率。[0126] 本實例還選擇了5個多類標(biāo)準(zhǔn)UCI數(shù)據(jù)集來評估KMODM的性能。實驗結(jié)果如表2所示。可以看出，mcSM、mcODM和ODM對大多數(shù)多類不平衡數(shù)據(jù)的結(jié)果都不理想。其他為不平衡

數(shù)據(jù)設(shè)計的分類器可以實現(xiàn)更高的平衡檢出率和更好的F1分?jǐn)?shù)。提出的KMODM算法在大多

數(shù)數(shù)據(jù)集上都取得了最好的結(jié)果。通過分析KMODM在二維可視化數(shù)據(jù)和UCI標(biāo)準(zhǔn)數(shù)據(jù)集上的

性能，可以得出KMODM模型能夠有效地處理不平衡數(shù)據(jù)分類任務(wù)的結(jié)論。

[0127] 表2基于RBF核的KMODM與其他算法在F1評價標(biāo)準(zhǔn)在多類數(shù)據(jù)集上的均值和標(biāo)準(zhǔn)差比較

[0128]Dataset hayes newthy balance car thyroid

mcSM 78.3±2.0 91.5±2.8 65.7±2.5 95.2±2.8 63.1±2.3

mcODM 81.2±1.9 92.3±2.5 67.4±1.9 96.0±2.3 65.4±2.2

ODM 78.7±2.4 90.6±2.9 66.7±1.8 95.0±1.5 63.5±1.6

PIBoost 78.4±2.0 93.3±2.2 68.4±1.9 96.3±2.4 68.6±2.8

FIECOC 78.1±2.3 92.5±3.1 68.8±2.1 97.2±1.7 68.4±2.0

DOO 80.5±1.7 93.7±2.6 67.4±1.7 97.9±1.3 69.5±1.4

DECOC 81.7±2.1 94.3±3.0 70.6±2.3 98.4±2.7 70.5±2.0

WKSMOTE 80.2±2.6 92.6±3.5 68.2±3.0 97.1±2.2 67.7±2.5

BAdaCost 82.1±2.3 94.6±1.8 72.0±2.1 97.7±2.3 69.8±2.6

LCSDM 83.5±1.9 95.1±1.8 69.0±2.4 97.0±1.4 68.9±1.9

FocalNN 82.7±1.5 95.4±2.0 69.5±2.7 98.9±1.9 69.3±2.0

KMODM 85.9±2.0 97.9±2.1 69.7±1.8 99.1±1.2 72.9±6.3

[0129] 以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍

內(nèi)。