孫兆光

(莒縣青峰嶺水庫管理服務(wù)中心，山東 莒縣 276500)

0 引言

農(nóng)田水利灌溉分流機(jī)械是提升農(nóng)田灌溉的關(guān)鍵設(shè)備。該設(shè)備可提高灌區(qū)排灌的整體水平，以滿足農(nóng)業(yè)的發(fā)展需求，通過合理布置和調(diào)整灌溉系統(tǒng)可以提高節(jié)水率[1]?？紤]到灌區(qū)的灌排需求和飲水需求，優(yōu)化灌溉設(shè)施能夠降低設(shè)施養(yǎng)護(hù)費(fèi)用、縮短灌溉周期，提高灌溉效率[2]。在上述方式中，需要借助灌溉分流機(jī)械完成。當(dāng)灌溉分流機(jī)械出現(xiàn)異常時(shí)，將影響整個(gè)灌區(qū)的灌溉效果，因此，研究農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測方法具有重要意義。

張聰?shù)萚3]針對機(jī)械變量之間存在的耦合關(guān)系，通過趨勢互相關(guān)分析方法，構(gòu)建變量耦合關(guān)系網(wǎng)絡(luò)。采用無監(jiān)督學(xué)習(xí)方法，根據(jù)變量耦合關(guān)系網(wǎng)絡(luò)構(gòu)建變分圖自編碼模型，獲取機(jī)械運(yùn)行特征，將提取的特征輸入圖卷積網(wǎng)絡(luò)中，完成機(jī)械運(yùn)行異常檢測，該方法ROC曲線檢測結(jié)果不理想，存在檢測性能差的問題。王昱棟等[4]通過感知哈希算法獲取機(jī)械圖像，利用直方圖均衡化方法增強(qiáng)機(jī)械圖像，結(jié)合Canny邊緣檢測算法和雙邊濾波算法獲取機(jī)械運(yùn)行特征，實(shí)現(xiàn)異常檢測。該方法在異常檢測過程中容易出現(xiàn)漏檢現(xiàn)象，存在檢測率低問題。張西寧等[5]將邊界軟化率引入格雷厄姆掃描法中，通過射線法構(gòu)成數(shù)據(jù)集，將其輸入隨機(jī)森林模型中，完成異常檢測，該方法檢測異常所用的時(shí)間較長，存在檢測效率低的問題。

為了解決上述方法中存在的問題，提出基于支持向量機(jī)的農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測方法。

1 農(nóng)田水利灌溉分流機(jī)械數(shù)據(jù)處理

為實(shí)現(xiàn)農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測，采用自組織映射算法聚類灌溉分流機(jī)械運(yùn)行數(shù)據(jù)，作為研究的基礎(chǔ)數(shù)據(jù)，為后續(xù)的檢測實(shí)現(xiàn)奠定基礎(chǔ)。

自組織映射算法由輸入層和競爭層構(gòu)成，屬于層次性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[6-7]。其中，輸入層主要作用是將接收的輸入信息傳遞到下一層中，競爭層主要目的是比較神經(jīng)網(wǎng)絡(luò)細(xì)胞元和輸入信息，根據(jù)比較結(jié)果分類信息。采用自組織映射算法處理水利灌溉分流機(jī)械運(yùn)行數(shù)據(jù)的具體過程如下所述。

a.用C表示灌溉分流機(jī)械運(yùn)行數(shù)據(jù)，用ξj表示神經(jīng)元在自組織映射網(wǎng)絡(luò)競爭層中的加權(quán)向量，歸一化處理C、ξj的表達(dá)式為

(1)

(2)

c.根據(jù)競爭學(xué)習(xí)法可知，在自組織映射網(wǎng)絡(luò)中獲勝神經(jīng)元的輸出為

(3)

ui為輸出的神經(jīng)元結(jié)果；t為輸出的當(dāng)前時(shí)刻；j為神經(jīng)元的加權(quán)向量；j*為神經(jīng)元的一般向量。

獲勝的神經(jīng)元在自組織映射網(wǎng)絡(luò)中可以根據(jù)下述規(guī)則對加權(quán)向量ξj調(diào)整：

(4)

β為在區(qū)間[0,1]內(nèi)取值的學(xué)習(xí)效率，在不斷的迭代過程中學(xué)習(xí)效率不斷減小。

采用自組織映射算法聚類處理水利灌溉分流機(jī)械運(yùn)行數(shù)據(jù)的具體流程如圖1所示。

圖1 農(nóng)田水利灌溉分流機(jī)械數(shù)據(jù)聚類流程

2 農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測

2.1 灌溉分流機(jī)械運(yùn)行特征數(shù)據(jù)提取

在上述灌溉分流機(jī)械運(yùn)行數(shù)據(jù)聚類基礎(chǔ)上，采用尺度不變特征變換SIFT方法[8-9]提取水利灌溉分流機(jī)械數(shù)據(jù)的運(yùn)行特征。該方法可獲取水利灌溉分流機(jī)械的局部信息，提取的運(yùn)行特征點(diǎn)可反映農(nóng)田水利灌溉分流機(jī)械的運(yùn)行狀態(tài)。

在固定尺寸中水利灌溉分流機(jī)械運(yùn)行的局部特征信息具有不變特點(diǎn)，用Q(x,y,ζ)表示分流機(jī)械運(yùn)行圖像O(x,y)中存在的空間信息，其計(jì)算式為

Q(x,y,ζ)=O(x,y)*H(x,y,ζ)

(5)

ζ為幅度可變因子；*為卷積；(x,y)為特征點(diǎn)位置；H(x,y,ζ)為高斯函數(shù)，其表達(dá)式為

(6)

構(gòu)建高斯平方差函數(shù)F(x,y,ζ)，在不同幅度狀態(tài)下提取農(nóng)田水利灌溉分流機(jī)械運(yùn)行的特征點(diǎn)，即

F(x,y,ζ)=[G(x,y,μζ)2-G(x,y,ζ)2]*g(x,y)

(7)

μ為檢測閾值參數(shù)。

2.2 灌溉分流機(jī)械運(yùn)行異常檢測

在提取灌溉分流機(jī)械運(yùn)行特征的基礎(chǔ)上，本文借助支持向量機(jī)完成農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測。在支持向量機(jī)中引入免疫算法[10-11]實(shí)現(xiàn)農(nóng)田水利灌溉分流機(jī)械運(yùn)行的異常檢測。

設(shè)g(u)為支持向量機(jī)的誤差上限值，通過免疫算法優(yōu)化g(u)，使其最小，具體步驟如下所述。

a.抗體二進(jìn)制編碼通常情況下由3個(gè)部分構(gòu)成，分別為支持向量機(jī)的樣本特征、誤差懲罰因子V和核函數(shù)參數(shù)η[12-13]。A=[a1,a2,…,al]，A為參數(shù)集合，其中，l為參數(shù)編碼對應(yīng)長度，編碼通常情況下由0或1構(gòu)成。

農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測方法將核函數(shù)參數(shù)η設(shè)定在[0.000 1,20 000]內(nèi)，將誤差懲罰因子V設(shè)定在[1,200]內(nèi)。用G=[g1,g2,…,gd]表示水利灌溉分流機(jī)械運(yùn)行數(shù)據(jù)的特征集，d表示該集合的大小，通過二進(jìn)制編碼表示機(jī)械運(yùn)行數(shù)據(jù)的特征選擇，D=[d1,d2,…,dd]，D為機(jī)械運(yùn)行數(shù)據(jù)特征選擇的總集合。通過上述分析可知，可通過參數(shù)和特征的組合表示抗體的二進(jìn)制編碼S=[A,D]。

b.通過匹配灌溉分流機(jī)械運(yùn)行異常檢測問題的特征和記憶細(xì)胞庫中存在的結(jié)構(gòu)信息構(gòu)成初始抗體群。

c.將支持向量機(jī)的誤差上限值g(u)作為標(biāo)準(zhǔn)，獲得抗體與抗原之間的親和力Sv，即

(8)

k為抗體v選擇的特征總數(shù)；f為特征數(shù)量。

d.更新群體后，在抗體記憶細(xì)胞庫中引入與抗原存在最大親和力的抗體，下次在遇到相同問題時(shí)，直接在記憶細(xì)胞庫中獲得答案，縮短尋找答案所用的時(shí)間。

e.抗體之間的相似度可通過抗體濃度描述，抗體產(chǎn)生的抑制與刺激可通過相似度度量得以控制，進(jìn)而實(shí)現(xiàn)抗體多樣性的控制，設(shè)Nvw為抗體之間存在的相似度，其計(jì)算式為

(9)

R(2)為抗體v、w之間存在的平均信息熵。

根據(jù)相似度計(jì)算結(jié)果獲得抗體v的濃度cv，其表達(dá)式為

(10)

f.抗體進(jìn)入下一代的過程具有隨機(jī)性，親和力會(huì)影響克隆的概率，即當(dāng)抗體與其他抗體親和力低、與抗原親和力高時(shí)，克隆的幾率較大。用av表示抗體選擇的概率，即

(11)

β、χ均為加權(quán)系數(shù)；M為抗原數(shù)量；vv為濃度抑制概率。

g.新抗體是原始抗體做變異和交叉操作生成，抗體交換信息可描述新抗體生成過程。農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測方法通過高斯變異[14-15]和單點(diǎn)交叉生成新個(gè)體。

h.為避免算法出現(xiàn)局部最優(yōu)解問題，需要對抗體集合做更新處理，記憶細(xì)胞集中存在的記憶細(xì)胞通過不斷迭代構(gòu)成抗體群。

i.將提取的特征輸入支持向量機(jī)中，設(shè)置終止條件，滿足條件的個(gè)體即為最佳個(gè)體，獲得農(nóng)田水利灌溉分流機(jī)械運(yùn)行的異常檢測結(jié)果。

結(jié)合支持向量機(jī)和免疫算法實(shí)現(xiàn)農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測的具體流程如圖2所示。

圖2 異常檢測流程

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)方案設(shè)計(jì)

為驗(yàn)證本文方法的整體有效性，將文獻(xiàn)[3]方法和文獻(xiàn)[4]方法作為對比方法，進(jìn)行實(shí)驗(yàn)測試。

在農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測時(shí)，實(shí)驗(yàn)中以某地大型農(nóng)田水利灌溉分流機(jī)械為研究對象進(jìn)行實(shí)驗(yàn)分析。本次實(shí)驗(yàn)中評價(jià)指標(biāo)選取接收者操作特征曲線ROC下面積，即AUC概率，對本文方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的有效性進(jìn)行檢測。真陽率和假陽率分別為ROC曲線的縱坐標(biāo)和橫坐標(biāo)，真陽率越高、假陽率越低，曲線下面積越大，即方法的性能越好，設(shè)TP為真陽率，其計(jì)算式為

(12)

nT為判定正常狀態(tài)為正常狀態(tài)的次數(shù)；nF為判定正常狀態(tài)為異常狀態(tài)的次數(shù)。

設(shè)FP為假陽率，其計(jì)算式為

(13)

nR為判定異常狀態(tài)為正常狀態(tài)的次數(shù)；nN為判定異常狀態(tài)為異常狀態(tài)的次數(shù)。

3.2 實(shí)驗(yàn)結(jié)果分析

本文方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的ROC曲線如圖3所示。

圖3 不同方法的ROC曲線

由圖3可知，與其他2種方法相比，本文方法構(gòu)成的ROC曲線面積較大，表明本文方法的真陽率高于假陽率，在農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測過程中具有較好的性能。

在2種典型實(shí)驗(yàn)環(huán)境下采用本文方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法檢測農(nóng)田水利灌溉分流機(jī)械運(yùn)行狀態(tài)，對比不同方法的檢測率，測試結(jié)果如圖4所示。

由圖4可知，隨著時(shí)間和樣本數(shù)量的增加，本文方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的檢測率均有所下降， 表明樣本數(shù)量和機(jī)械運(yùn)行時(shí)間會(huì)影響上述方法的檢測率。上述方法在實(shí)驗(yàn)環(huán)境2中的檢測率明顯高于實(shí)驗(yàn)環(huán)境1中的檢測率，對比測試結(jié)果發(fā)現(xiàn)，在相同時(shí)間和相同樣本數(shù)量下，本文方法的檢測率在不同實(shí)驗(yàn)環(huán)境中均高于文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的檢測率，這是由于本文方法對機(jī)械運(yùn)行狀態(tài)檢測之前通過自組織映射算法對機(jī)械的運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行聚類，提高了方法的檢測率。

圖4 不同方法的檢測率

將檢測時(shí)間作為指標(biāo)，采用上述方法檢測農(nóng)田水利灌溉分流機(jī)械運(yùn)行的狀態(tài)，對比不同方法的檢測效率，結(jié)果如表1所示。

表1 不同方法的檢測效率

表1(續(xù))

由表1中的數(shù)據(jù)可知，在多次異常檢測測試中本文方法的檢測時(shí)間均控制在0.1 s左右，遠(yuǎn)低于文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的檢測時(shí)間，表明本文方法具有較高的檢測效率。

4 結(jié)束語

檢測農(nóng)田水利灌溉分流機(jī)械的運(yùn)行狀態(tài)，可以提高灌溉工程的用水效率、有利于管道的施工和管理。針對異常檢測方法存在檢測性能差、檢測率低和檢測效率低等問題，提出基于支持向量機(jī)的農(nóng)田水利灌溉分流機(jī)械運(yùn)行異常檢測方法。該方法借助支持向量機(jī)完成農(nóng)田水利灌溉分流機(jī)械運(yùn)行的異常檢測，提升了農(nóng)田水利灌溉分流機(jī)械的運(yùn)行效率，具有一定可行性。