亚星游戏官网-www.yaxin868.com

一种基于支持向量机的电化学噪声腐蚀类型判别方法
【专利摘要】一种基于支持向量机的电化学噪声腐蚀类型判别方法。其包括：建立输入特征向量；分集处理；寻找最佳的SVM参数；通过训练集训练得到最佳的SVM模型；利用SVM模型预测电化学噪声腐蚀类型等步骤。本发明提供的基于支持向量机的电化学噪声腐蚀类型判别方法是利用电化学噪声腐蚀实验的数据进行腐蚀类型的判别，本方法能较好地完成腐蚀类型判别的任务，测试集精度高达100％；在稳定性方面，由于支持向量机在原理上采用了结构风险最小化的原则，因此使其更加稳定，而且每次训练结果也非常接近，并且不会出现过学习与欠学习的情况，因此预测精度高。
【专利说明】一种基于支持向量机的电化学噪声腐蚀类型判别方法

【技术领域】
[0001]本发明属于材料腐蚀检测【技术领域】，特别是涉及一种基于支持向量机的电化学噪声腐蚀类型判别方法。

【背景技术】
[0002]近些年新型的电化学噪声处理方法层出不穷，其主要思路还是将新型的数学方法应用到电化学噪声数据的处理中，具体有如下一些方法:聚类分析，用聚类的方法划分腐蚀阶段；混沌理论，用混沌的参数来区分腐蚀类型；神经网络，用训练的神经网络判别腐蚀类型与预测等等；这些新方法新参数很多，但与腐蚀过程原理的对应则稍显薄弱，需要更久的时间与更充分地论据去证明这些方法的有效性与实用行；因此，如何发现新的电化学噪声数据的处理方法并将其与其腐蚀过程原理结合起来，使该处理方法获得严谨的理论上的依据，这些都是近些年也将是未来电化学噪声研宄的重点。
[0003]支持向量机(^1)是最常用的机器学习算法之一，被选为十大经典机器学习算法，最早用^叩！1认提出，被广泛应用于模式识别与非线性拟合中。图1示出了支持向量机的体系结构图，由于支持向量机计算简单，理论框架完善，小样本效果好，不存在过学习与欠学习，并在实际问题中的通用性强，因此往往是众多分类算法方案中最优方案之一。但目前尚未应用到电化学噪声腐蚀检测领域，


【发明内容】

[0004]为了解决上述问题，本发明的目的在于提供一种基于支持向量机的电化学噪声腐蚀类型判别方法。
[0005]为了达到上述目的，本发明提供的基于支持向量机的电化学噪声腐蚀类型判别方法包括按顺序进行的下列步骤:
[0006]步骤1)建立输入特征向量:对从电化学噪声腐蚀实验得到的电化学噪声信号数据进行整理，并由此建立输入特征向量；
[0007]步骤2)分集处理:将输入特征向量分为训练集80%和测试集20% ；
[0008]步骤3)寻找最佳的3穩参数:由于3穩使用交叉验证方法，在训练过程中取不同的惩罚参数与核函数参数8，计算其均分交叉验证的平均精度；当平均精度达到最大时的惩罚参数。与核函数参数8被认为是最佳的VI参数；
[0009]步骤4)通过训练集训练得到最佳的3穩模型:将上述得到的最佳惩罚参数与核函数参数代入训练集进行训练而得到最佳的VI模型；
[0010]步骤5)利用3穩模型预测电化学噪声腐蚀类型:利用上述3穩模型去预测测试集而得到电化学噪声腐蚀类型的预测结果。
[0011]在步骤1)中，所述的建立输入特征向量的方法如下:
[0012]步骤1.1)提炼不同腐蚀类型的典型电化学噪声信号:根据电化学噪声在时域图中的腐蚀将其区分为点蚀、均匀腐蚀和钝化三种腐蚀类型；不同的腐蚀类型其表现的电化学噪声在时域图上有很大区别；当发生点蚀时，电流噪声和电压噪声会出现明显的暂态峰；当发生钝化或者均匀腐蚀时，电流噪声和电压噪声则表现为高频的无规律的振荡；
[0013]步骤1.2)数据分组:将采集得到的实验数据按1024个点为一单位进行数据切割，即每512秒存一个单独小文件，文件名按时间叠加，则可以得到大量的各种腐蚀的数据；
[0014]步骤1.3)提取每组数据各个特征参数:对这些所有小文件中每种腐蚀类型随机选取上百组数据，批处理这些数据，得到每组数据各个特征参数的值；
[0015]步骤1.4)组成输入特征向量:通过计算各组的电化学信号特征值，得到了上百组样本的值；将每组样本的10项参数按噪声电阻、特征电荷、特征频率、小波归一化能量(11?(17层的能量比的顺序组成一组特征向量，上百组样本值可得到上百组不同的特征向量。
[0016]在步骤3)中，所述的寻找最佳的3穩参数的方法是:首先采用大间隔去找到惩罚参数0与核函数参数8最佳值的大致位置，然后再在该最佳位置附近采用小间隔去寻找最佳惩罚参数。与核函数参数8。
[0017]本发明提供的基于支持向量机的电化学噪声腐蚀类型判别方法是利用电化学噪声腐蚀实验的数据进行腐蚀类型的判别，本方法能较好地完成腐蚀类型判别的任务，测试集精度高达100% ；在稳定性方面，由于支持向量机在原理上采用了结构风险最小化的原贝1」，因此使其更加稳定，而且每次训练结果也非常接近，并且不会出现过学习与欠学习的情况，因此预测精度高。

【专利附图】

【附图说明】
[0018]图1为支持向量机的体系结构图；
[0019]图2为本发明提供的基于支持向量机的电化学噪声腐蚀类型判别方法的流程图；
[0020]图3为3穩交叉验证精度三维图；
[0021]图4为3穩预测分类精度图。

【具体实施方式】
[0022]下面结合附图和具体实施例对本发明提供的基于支持向量机的电化学噪声腐蚀类型判别方法进行详细说明。
[0023]如图2所示，本发明提供的基于支持向量机的电化学噪声腐蚀类型判别方法包括按顺序进行的下列步骤:
[0024]步骤1)建立输入特征向量:对从电化学噪声腐蚀实验得到的电化学噪声信号数据进行整理，并由此建立输入特征向量；
[0025]步骤2)分集处理:将输入特征向量分为训练集80%和测试集20% ；
[0026]步骤3)寻找最佳的3穩参数:由于3穩使用交叉验证方法，在训练过程中取不同的惩罚参数与核函数参数8，计算其均分交叉验证的平均精度；当平均精度达到最大时的惩罚参数。与核函数参数8被认为是最佳的VI参数；
[0027]步骤4)通过训练集训练得到最佳的3穩模型:将上述得到的最佳惩罚参数与核函数参数代入训练集进行训练而得到最佳的VI模型；
[0028]步骤5)利用3穩模型预测电化学噪声腐蚀类型:利用上述3穩模型去预测测试集而得到电化学噪声腐蚀类型的预测结果，具体结果如图4所示；图中用“0”表示真实的腐蚀类型，用表示3穩模型预测的腐蚀类型，当两者重合时表示3穩预测准确，反之则预测错误；由图4可知所有腐蚀类型预测均正确，预测准确率达到100% (60/60)。
[0029]在步骤1)中，所述的电化学噪声腐蚀实验方法为:
[0030]用标准304不锈钢试样制成工作电极，并将两个工作电极与一个参比电极放入到实验溶液之中，通过零阻电流计同时测量两工作电极之间的电化学电流噪声与工作电极和参比电极之间的电化学电压噪声。
[0031]所述的建立输入特征向量的方法如下:371的处理方法类似于8？神经网络，其输入特征向量也采用8？神经网络完全相同的输入；具体方法包括下列步骤:
[0032]步骤1.1)提炼不同腐蚀类型的典型电化学噪声信号:根据电化学噪声在时域图中的腐蚀将其区分为点蚀、均匀腐蚀和钝化三种腐蚀类型；不同的腐蚀类型其表现的电化学噪声在时域图上有很大区别；当发生点蚀时，电流噪声和电压噪声会出现明显的暂态峰；当发生钝化或者均匀腐蚀时，电流噪声和电压噪声则表现为高频的无规律的振荡；
[0033]步骤1.2)数据分组:将采集得到的实验数据按1024个点为一单位进行数据切割，即每512秒存一个单独小文件，文件名按时间叠加，则可以得到大量的各种腐蚀的数据；
[0034]步骤1.3)提取每组数据各个特征参数:对这些所有小文件中每种腐蚀类型随机选取100组数据，批处理这些数据，得到每组数据各个特征参数的值；
[0035]步骤1.4)组成输入特征向量:通过计算各组的电化学信号特征值，得到了上百组样本的值；将每组样本的10项参数按噪声电阻、特征电荷、特征频率、小波归一化能量(11?(17层的能量比的顺序组成一组特征向量，上百组样本值可得到上百组不同的特征向量。
[0036]在步骤3)中，由于惩罚参数0与核函数参数8的值分布较广，如果按较小的间隔去计算会耗费大量时间，但如果采用较大的间隔去计算有可能造成精度过低；故在此采取变间隔的取值方法，首先采用大间隔去找到惩罚参数0与核函数参数8最佳值的大致位置，然后再在该最佳位置附近采用小间隔去寻找最佳惩罚参数^与核函数参数8 ；其具体过程三维图如图3所示；
[0037]如图3所示，X，7坐标轴分别惩罚参数为0与核函数参数8值取2为底的对数，2坐标为交叉验证得到的精度值，三维图可以让我们直观地看到最高精度所处位置；先用大间隔做粗略搜索计算(图如)，再用小间隔做精细搜索计算(图此)；如图33所示，当惩罚参数。与核函数参数8变大时，其精度显著增加，当惩罚参数。与核函数参数8在0附近时取得最大值；故小间隔只需计算0附近即可，由图:?可知当惩罚参数0 = 0.25，核函数参数8 = 0.0625时得到最大交叉验证精度99.5833%。
【权利要求】
1.一种基于支持向量机的电化学噪声腐蚀类型判别方法，其特征在于:所述的基于支持向量机的电化学噪声腐蚀类型判别方法包括按顺序进行的下列步骤: 步骤I)建立输入特征向量:对从电化学噪声腐蚀实验得到的电化学噪声信号数据进行整理，并由此建立输入特征向量； 步骤2)分集处理:将输入特征向量分为训练集80%和测试集20% ； 步骤3)寻找最佳的SVM参数:由于SVM使用交叉验证方法，在训练过程中取不同的惩罚参数c与核函数参数g，计算其均分交叉验证的平均精度；当平均精度达到最大时的惩罚参数c与核函数参数g被认为是最佳的SVM参数； 步骤4)通过训练集训练得到最佳的SVM模型:将上述得到的最佳惩罚参数c与核函数参数代入训练集进行训练而得到最佳的SVM模型； 步骤5)利用SVM模型预测电化学噪声腐蚀类型:利用上述SVM模型去预测测试集而得到电化学噪声腐蚀类型的预测结果。
2.根据权利要求1所述的基于支持向量机的电化学噪声腐蚀类型判别方法，其特征在于:在步骤I)中，所述的建立输入特征向量的方法如下: 步骤1.D提炼不同腐蚀类型的典型电化学噪声信号:根据电化学噪声在时域图中的腐蚀将其区分为点蚀、均匀腐蚀和钝化三种腐蚀类型；不同的腐蚀类型其表现的电化学噪声在时域图上有很大区别；当发生点蚀时，电流噪声和电压噪声会出现明显的暂态峰；当发生钝化或者均匀腐蚀时，电流噪声和电压噪声则表现为高频的无规律的振荡； 步骤1.2)数据分组:将采集得到的实验数据按1024个点为一单位进行数据切割，即每512秒存一个单独小文件，文件名按时间叠加，则可以得到大量的各种腐蚀的数据； 步骤1.3)提取每组数据各个特征参数:对这些所有小文件中每种腐蚀类型随机选取上百组数据，批处理这些数据，得到每组数据各个特征参数的值； 步骤1.4)组成输入特征向量:通过计算各组的电化学信号特征值，得到了上百组样本的值；将每组样本的10项参数按噪声电阻、特征电荷、特征频率、小波归一化能量dl?d7层的能量比的顺序组成一组特征向量，上百组样本值可得到上百组不同的特征向量。
3.根据权利要求1所述的基于支持向量机的电化学噪声腐蚀类型判别方法，其特征在于:在步骤3)中，所述的寻找最佳的SVM参数的方法是:首先采用大间隔去找到惩罚参数c与核函数参数g最佳值的大致位置，然后再在该最佳位置附近采用小间隔去寻找最佳惩罚参数c与核函数参数g。
【文档编号】G01N17/02GK104502267SQ201410849135
【公开日】2015年4月8日 申请日期:2014年12月31日 优先权日:2014年12月31日
【发明者】李健, 张宇, 孔伟康, 陈冠任, 郑焕军 申请人:天津大学