張 華

(吉林建筑大學(xué)城建學(xué)院 計(jì)算機(jī)科學(xué)與工程系，長春 130011)

DDAG雙支持向量機(jī)在ERT系統(tǒng)流型識(shí)別中的應(yīng)用研究

張 華

(吉林建筑大學(xué)城建學(xué)院 計(jì)算機(jī)科學(xué)與工程系，長春 130011)

兩相流體具有復(fù)雜的流動(dòng)特性，流型的準(zhǔn)確識(shí)別是兩相流參數(shù)準(zhǔn)確測量的基礎(chǔ)。針對(duì)電阻層析成像(ERT)系統(tǒng)和油/水兩相流的流型，先用小波包分析提取ERT系統(tǒng)測量的壓差波動(dòng)信號(hào)的特征，然后將特征數(shù)據(jù)輸入構(gòu)造好的DDAG雙支持向量機(jī)多類分模型進(jìn)行識(shí)別。仿真實(shí)驗(yàn)結(jié)果對(duì)比證明，DDAG雙支持向量機(jī)是一種兼顧效率和準(zhǔn)確性的流型識(shí)別方法。

電阻層析成像；流型識(shí)別；小波包；DDAG雙支持向量機(jī)

0 引言

兩相流在化工、石油、冶金等行業(yè)普遍存在，其流型對(duì)相關(guān)工業(yè)的安全與自動(dòng)化生產(chǎn)、管路系統(tǒng)的設(shè)計(jì)與運(yùn)行有著重要影響,因此兩相流流型識(shí)別具有重要意義。雙支持向量機(jī)將經(jīng)典支持向量機(jī)的二次優(yōu)化問題分解成較小的兩個(gè)二次優(yōu)化，不僅降低了時(shí)間復(fù)雜度，而且克服了樣本不平衡問題。本文以ERT系統(tǒng)和油/水兩相流的四種常見流型為研究基礎(chǔ)，首先對(duì)ERT系統(tǒng)測量的壓差波動(dòng)信號(hào)采用小波包分解進(jìn)行特征提取，然后用雙支持向量機(jī)構(gòu)造DDAG多類分模型，最后向分類模型輸入特征數(shù)據(jù)識(shí)別流型。

1 ERT系統(tǒng)結(jié)構(gòu)和工作方式

ERT系統(tǒng)即電阻層析成像系統(tǒng)，主要組成部分是電阻傳感器陣列、數(shù)據(jù)采集系統(tǒng)、圖像重建計(jì)算機(jī)[1]。它的系統(tǒng)結(jié)構(gòu)如圖1所示。ERT系統(tǒng)通常采用電流激勵(lì)、電壓測量的工作方式。本文使用12電極的電阻傳感器陣列采集電導(dǎo)率波動(dòng)信號(hào)，采用相鄰電極的激勵(lì)模式，所以一幅圖像采集到的測量數(shù)據(jù)是12×(12-3)=108個(gè)。系統(tǒng)工作方式如圖2所示。

圖1 電阻層析成像系統(tǒng)結(jié)構(gòu)圖

圖2 系統(tǒng)工作方式圖

2 基于小波包分解的特征提取

2.1 小波包分解原理

小波包分解是一種提取非平穩(wěn)信號(hào)特征的較好工具，它為信號(hào)分解提供了一種更加精密的方法。它將頻帶進(jìn)行多層次劃分，進(jìn)一步分解了多分辨率分析沒有仔細(xì)劃分的高頻部分，并能夠自動(dòng)根據(jù)被分析信號(hào)的特征，選擇與信號(hào)頻譜相匹配的頻帶，從而使時(shí)頻分辨率得以進(jìn)一步提高[2]。

2.2 特征提取過程

(1)對(duì)輸入信號(hào)S進(jìn)行三層小波包分解，分解過程中使用db6小波濾波器，選取shanon熵值。最后提取第三層中8個(gè)涵蓋低頻到高頻成分的信號(hào)特征[3]。

3 建立DDAG雙支持向量機(jī)多類分類模型

3.1 雙支持向量機(jī)原理

支持向量機(jī)是適于小樣本學(xué)習(xí)的學(xué)習(xí)算法[4]。雙支持向量機(jī)TSVM由Jayadeva等人提出，原理是把經(jīng)典SVM中的一個(gè)二次優(yōu)化問題轉(zhuǎn)化為兩個(gè)規(guī)模較小的二次優(yōu)化問題，得到兩個(gè)不平行的分類超平面，每類一個(gè)。雙支持向量機(jī)求解以下二次優(yōu)化問題[5]：

min

s.t.-(K(B,C')w(1)+e2b(1))+q≥e2

q>=0，

(1)

min

s.t.-(K(A,C′)w(2)+e1b(2))+q≥e1

q>=0，

(2)

求解(1)(2)兩式，得到兩個(gè)超平面如下所示：

K(x′,C′)w(1)+b(1)=0

K(x′,C′)w(2)+b(2)=0。

(3)

3.2 建立DDAG雙支持向量機(jī)多類分類模型

支持向量機(jī)是解決二類分類問題的，而實(shí)際中常常是多類分類問題[6]。常見的多類分類策略有一對(duì)一方法、一對(duì)多方法和DDAG方法[7]，其中一對(duì)一和一對(duì)多方法存在不可分區(qū)域。DDAG方法在訓(xùn)練階段先向SVM中輸入已知類別樣本，訓(xùn)練出K(K-1)/2個(gè)(K是類別個(gè)數(shù))兩類SVM分類器，再將這些兩類SVM分類器構(gòu)建成一個(gè)二叉樹有向無環(huán)圖。在分類階段，對(duì)未知樣本X，從二叉樹根節(jié)點(diǎn)開始，依據(jù)SVM決策函數(shù)的值決定下一步向左走還是向右走。依次類推，直到達(dá)到某個(gè)葉子結(jié)點(diǎn)，此葉子節(jié)點(diǎn)的類別就是未知樣本X的類別。但是二叉樹拓?fù)浣Y(jié)構(gòu)存在誤差累積問題[8]，即在根節(jié)點(diǎn)產(chǎn)生的分類錯(cuò)誤會(huì)直接影響以下每一層的分類結(jié)果。解決誤差累積問題方法是，通過計(jì)算兩類間不可分離程度公式選取最易分離兩類的SVM作為根節(jié)點(diǎn)，以保證根節(jié)點(diǎn)選取的正確性[9]。

構(gòu)造DDAG雙支持向量機(jī)多類分類模型分兩個(gè)階段進(jìn)行，分別是訓(xùn)練階段和測試階段。

訓(xùn)練階段：針對(duì)ERT系統(tǒng)中的四種流型，根據(jù)DDAGTSVM策略需要訓(xùn)練4*(4-1)/2=6個(gè)TSVM兩類分類器。構(gòu)造區(qū)分1、2類的TSVM12時(shí)，將屬于第1類的樣本標(biāo)記為正類，屬于第2類的樣本標(biāo)記為負(fù)類，訓(xùn)練TSVM12，得到兩個(gè)不平行的超平面H1和T1,H1為第1類的超平面,T1為第2類的超平面。以此類推，分別構(gòu)造區(qū)分1、3類的TSVM13，區(qū)分1、4類的TSVM14，區(qū)分2、3類的TSVM23，區(qū)分2、4類的TSVM24，區(qū)分1、4類的TSVM14，分別得到兩個(gè)不平行的超平面。然后，根據(jù)兩類間不可分離程度公式計(jì)算每組兩類流型的不可分離值。選擇值最小的，即最易分的兩類流型(假設(shè)為1和2)作為二叉樹根節(jié)點(diǎn)TSVM要區(qū)分的兩類。根據(jù)值的大小，確定二叉樹拓?fù)浣Y(jié)構(gòu)的每一層的根節(jié)點(diǎn)，最終構(gòu)造出如圖3所示的DDAGTSVM多類分類器。

測試階段步驟如下：

第一步：設(shè)給定的訓(xùn)練集為{(x1,y1),(x2,y2),...,(xl,yl)}， l表示用l組樣本進(jìn)行訓(xùn)練。其中xi∈Rn,yi∈{1,2,3,4}，i=1,2,...,l。

第二步：計(jì)算未知樣本X到H1和T1的距離，如果X到H1的距離小于X到T1的距離，則X不屬于2類，下一步走向左節(jié)點(diǎn)，左節(jié)點(diǎn)剩余類別為(1，3，4)；反之如果X到H1的距離大于X到T1的距離，則X不屬于1類，下一步走向右節(jié)點(diǎn)，右節(jié)點(diǎn)剩余類別為(2，3，4)。

第三步：在某個(gè)非葉節(jié)點(diǎn)的剩余類別中，重復(fù)第二步，直到到達(dá)葉子節(jié)點(diǎn)，此節(jié)點(diǎn)所對(duì)應(yīng)的類別就是未知樣本X所屬的類別。

圖3 DDAGTSVM多類分類模型

4 實(shí)驗(yàn)過程和識(shí)別結(jié)果分析

表1 實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)分析

5 結(jié)論

本文提出在ERT系統(tǒng)流型識(shí)別中利用DDAG雙支持向量機(jī)構(gòu)造多類分類模型。MATLAB仿真實(shí)驗(yàn)結(jié)果證明在特征提取方式一樣的情況下， DDAG雙支持向量機(jī)多類分類模型的識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間要優(yōu)于其他三種分類模型，是一種較好的流型識(shí)別方法。

[1] DICKIN F J, WANG M. Electrical Resistance Tomography for Process Application[J]. Measurement Science and Technology，1996, 7( 3):247-260.

[2] ELPERIN T，KLOCHKO M．Flow Regime Identification in a Two-Phase Flow Using Wavelet Transform[J]．Springer-Verlag，2002(32):674-682．

[3] WU M M，DONG F，QI G H．Feature Extraction Method for Gas/Liquid Two-Phase Flow Based on Wavelets Transform[C]．5th International Conference on Machine Learning and Cybernetics,Dalian:IEEE,2006：1422-1427．

[4] 邊肇祺， 張學(xué)工. 模式識(shí)別[M].北京：清華大學(xué)出版社, 2000.

[5] 謝娟英，張兵權(quán)，汪萬紫.基于雙支持向量機(jī)的偏二叉樹多類分類算法[J].南京大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,47(4):354-363.

[6] Guo-hua Qi, Feng Dong, Yan-bin Xu, et al. Gas/Liquid Two-Phase Flow Regime Identification In Horizontal Pipe Using Support Vector Machines[C]. Proceedings of the Fourth International Conference on Machine Learing and Cybernetics,Guangzhou:IEEE,2005: 1746-1751.

[7] 余輝,趙輝.支持向量機(jī)多類分類算法新研究[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(7):185-189.

[8] 趙亮.一種改進(jìn)的基于支持向量機(jī)的多類分類方法[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(12):233-236.

[9] 熊忠陽,陳玲,張玉芳.一種改進(jìn)的DDAGSVM多類分類方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2010,19(12):219-222.

責(zé)任編輯：程艷艷

Research on the Application of DDAG Bi-support Vector Machine in Flow Regime Identification of Electrical Resistance Tomography System

ZHANG Hua

(Department of Computer Science and Engineeing, City College of Jilin Jianzhu University, Changchun 130011, China)

Two-phase fluid has complex flow characteristics.The exact identification of flow regime is the foundation for measuring two-phase flow’s parameter accurately. According to electrical resistance tomography(ERT)system and flow regime of oil-water two-phase flow, wavelet packet analysis is adopted to extract the features of the differential pressure fluctuation signal measured by ERT system, then the extracted feature data is input to the prepared DDAG bi- support vector machine to carry out multi-class identification. Experimental results showed that the DDAG bi-support vector machine is an effective and accurate method of regime identification.

ERT; flow regime identification; wavelet packet; DDAG bi-support vector machine

2016-10-16

張華(1980-)，女，吉林龍井人，講師，碩士，主要從事圖像處理與模式識(shí)別方面研究。

TP391.4

A

1009-3907(2016)12-0033-04