本發(fā)明涉及污水處理領(lǐng)域，特別涉及一種FastRVM污水處理在線故障診斷方法。
背景技術(shù)：
：目前，環(huán)境保護已經(jīng)成為我國經(jīng)濟可持續(xù)發(fā)展的重要基礎(chǔ)，隨著我國工業(yè)經(jīng)濟發(fā)展迅速，城市進程不斷加快，工業(yè)廢水的排放量隨著工業(yè)用水量的增加而快速增長，大部分廢水的直接排放又嚴重污染了江河水體，破壞了生態(tài)平衡，間接的影響了人們的生活。污水處理廠作為自然水體的關(guān)鍵保護屏障，其運行好壞將直接影響水環(huán)境的安全程度。污水生化處理工藝復(fù)雜，影響因素非常多，污水處理廠在實際運行過程中難以保持長期穩(wěn)定的運行，一旦發(fā)生運行故障常常會引起出水水質(zhì)不達標(biāo)、運行費用增高和環(huán)境二次污染等嚴重問題。因此，必須對污水處理廠運行狀態(tài)進行監(jiān)控，及時診斷出污水處理過程故障并予以處理。污水處理過程運行狀態(tài)的故障診斷本質(zhì)上是一個模式分類問題，而在實際狀態(tài)運行分類中，常常會遇到污水?dāng)?shù)據(jù)集的分布不均衡問題，現(xiàn)有技術(shù)存在一定的局限性，在用于不平衡數(shù)據(jù)分類時，模型分類正確率無法滿足要求，給污水生化處理的故障診斷帶來了極大的困難；同時在實際過程當(dāng)中，故障診斷實際上是一個連續(xù)的學(xué)習(xí)過程，其突出的一個特點就是學(xué)習(xí)不是一次離線進行的，而是數(shù)據(jù)逐一加入的，不斷進行優(yōu)化的過程。在線學(xué)習(xí)方法要求在獲得下一個數(shù)據(jù)之前必須完成訓(xùn)練，否則會影響下一步?jīng)Q策的完成，而且污水處理廠的運行出現(xiàn)的故障信息尤為重要，所以在線故障診斷系統(tǒng)更加注重的是快速性和準(zhǔn)確性。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于不平衡數(shù)據(jù)聚類的FastRVM污水處理在線故障診斷方法，通過基于聚類的快速相關(guān)向量機方法對多數(shù)類數(shù)據(jù)壓縮和虛擬少數(shù)類向上采樣的方法對少數(shù)類數(shù)據(jù)擴充，降低了污水?dāng)?shù)據(jù)的不平衡性，提高分類準(zhǔn)確率，同時采用FastRVM對污水生化處理過程建立多分類模型，加快在線更新速度，從而保證了污水處理過程的在線故障診斷的準(zhǔn)率性和實時性。為實現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為：一種FastRVM污水處理在線故障診斷方法，包括以下步驟：S1.剔除掉污水?dāng)?shù)據(jù)中屬性不完整的樣本，由于各輸入變量量綱的不同，對其進行歸一化處理，歸一化到[0,1]區(qū)間中，并確定歷史數(shù)據(jù)集xold和更新測試集xnew；S2.將歷史數(shù)據(jù)中的多數(shù)類樣本采用基于聚類的快速相關(guān)向量機方法進行壓縮；S3.根據(jù)虛擬少數(shù)類向上采樣的方法對歷史數(shù)據(jù)中的少數(shù)類樣本進行擴充；S4.將處理后的歷史數(shù)據(jù)中所有類的樣本數(shù)據(jù)重新組合構(gòu)成新的歷史訓(xùn)練集，并建立“一對一”的快速相關(guān)向量機多分類訓(xùn)練模型；S5.從更新測試集xnew中添加k個新樣本到模型中進行測試，并保存分類測試結(jié)果，將其添加到歷史數(shù)據(jù)集中，去掉歷史數(shù)據(jù)集中前k個樣本；S6.回到步驟S2，重新處理不平衡的歷史數(shù)據(jù)，訓(xùn)練模型，不斷重復(fù)上述過程，直到在線更新數(shù)據(jù)測試完畢，得到最終在線測試結(jié)果，從而實現(xiàn)對污水處理過程的在線運行狀態(tài)的識別。所述的步驟S2，具體為：S201、假設(shè)多數(shù)類樣本集X＝{x1,x2,…,xi,…,xn}為n個Rd空間的數(shù)據(jù)，其中d為樣本屬性的維數(shù)，從n個數(shù)據(jù)對象中隨機選擇k個對象作為初始的聚類中心；S202、然后對剩余的樣本對象則根據(jù)與各個聚類中心的距離分別分配到距離最相近的聚類中心中；計算距離的公式如下，假設(shè)cj為第j個類的中心，則xi與cj的距離為：S203、根據(jù)集合中的點更新每個類的聚類中心，假設(shè)第j個類中的樣本為即包含了nj個樣本，則該類的聚類中心為其中為類中心cj的第m個屬性，計算公式如下：S204、不斷重復(fù)S202、S203步驟，直到標(biāo)準(zhǔn)測度函數(shù)收斂為止，采用均方差作為計算標(biāo)準(zhǔn)測度函數(shù)，其形式為：S205、將聚類后的多數(shù)類樣本進行快速相關(guān)向量機分類建模，從而可以獲取一定數(shù)量的相關(guān)向量，這些相關(guān)向量的個數(shù)要比原始多數(shù)類數(shù)據(jù)少得多，并且具有一定的代表性，接著用選取的相關(guān)向量代替原來的多數(shù)類樣本從而對多數(shù)類樣本的壓縮。所述的步驟S3，具體為：S301、對少數(shù)類中的每一個樣本x，以歐式距離為標(biāo)準(zhǔn)計算它到少數(shù)類樣本集中每個樣本的距離，獲得其中k個最近鄰，并記錄近鄰樣本的下標(biāo)；S302、根據(jù)向上采樣的倍率N，對每一個少數(shù)類樣本x，從其k個最近鄰中隨機選取N個樣本，記為y1,y2,…,yN；S303、在原樣本x與yj(j＝1,2,…,N)之間進行隨機線性插值，構(gòu)造新的少數(shù)類樣本pj，即新樣本：pj＝x+rand(0,1)*(yj-x),j＝1,2,…,N(4)其中rand(0,1)表示區(qū)間(0,1)內(nèi)的一個隨機數(shù)。步驟S4中，“一對一”的快速相關(guān)向量機多分類訓(xùn)練模型，其建立過程如下：處理后的歷史數(shù)據(jù)及可以定義為其中N是數(shù)據(jù)集的樣本個數(shù),n是樣本序號,d是樣本屬性的維數(shù)，zn為樣本的輸入，tn為樣本的目標(biāo)值，預(yù)測函數(shù)如公式一所示：tn＝y(tǒng)(zn；w)+εn(5)其中y(z)的定義如公式(2所示)其中K(z,zi)是核函數(shù)，wi為基函數(shù)對應(yīng)的權(quán)重,w＝[w0,w1,…,wN]T,εn為噪聲，服從εn～N(0,σ2)，因此tn～N(y(zn,w),σ2)。假設(shè)預(yù)測目標(biāo)tn之間相互獨立，那么就有：式中Φ是一個N×(N+1)的構(gòu)造矩陣，為了避免過擬合，需要約束模型中的權(quán)值ω，假設(shè)其服從高斯分布，α為超參數(shù)。當(dāng)輸入一組新的變量的時候，對應(yīng)的目標(biāo)值t*為p(t*|t)～p(w,α,σ2|t)，根據(jù)先驗概率分布和似然估計分布，可得權(quán)重的后驗概率分布：p(ω,α,σ2|t)＝p(ω|t,α,σ2)p(α,σ2|t)(8)對上式進行近似處理，最終成了最大化p(α,σ2|t)∝p(t|α,σ2)p(α)p(σ2)的過程，也就是找到參數(shù)α和σ2最可能的值αMP、快速相關(guān)向量機在訓(xùn)練過程中從空集開始動態(tài)地擴充基矩陣Φ，從而增大邊際似然函數(shù)，或者去掉基矩陣Φ冗余的列來增大目標(biāo)函數(shù)。通過將邊界似然函數(shù)p(t|α,σ2)取對數(shù)，記L(α)＝log[p(t|α,σ2)]，整理有：其中L(α-i)表示為當(dāng)αi＝∞時，相應(yīng)的基本向量φi被移除后所對應(yīng)的邊界似然函數(shù)的對數(shù)，而l(αi)表示邊界似然的對數(shù)函數(shù)中只與αi有關(guān)的獨立部分。Si被定義為稀疏因子，Qi為質(zhì)量因子。L(α)有唯一最大值點為：為了最大化L(α)，根據(jù)公式(10),不斷地迭代來尋找到合適的權(quán)重，這時超參數(shù)α也會對著權(quán)重w不斷更新，通過不斷地更新，可以得到最終的訓(xùn)練模型一些樣本點對應(yīng)的權(quán)重為零，那些不為零的點就是相關(guān)向量。綜上所述，快速相關(guān)向量機分類基本算法步驟如下：(1)初始化σ2＝0；(2)用單個基向量φi初始化αi，由公式(10)分析整理可得并設(shè)置其他的αm(m≠i)為無窮大；(3)計算協(xié)方差矩陣Σ、權(quán)重矩陣μ并對所有M個基函數(shù)φm初始化Sm和Qm；(4)從所有M個基函數(shù)φm集合中選擇候選的基向量φi；(5)計算(6)若θi＞0且αi＜∞，重新估計αi；(7)若θi＞0且αi＝∞，添加φi到模型中并重新估計αi；(8)若θi≤0且αi＜∞，刪除φi并設(shè)置αi＝∞；(9)用Laplace逼近方法重新計算協(xié)方差矩陣Σ，權(quán)重矩陣μ以及相應(yīng)迭代過程中的Sm和Qm；(10)若收斂或者達到最大迭代次數(shù)，則終止程序；否則轉(zhuǎn)步驟(4)；終止條件為：任意在模型中的基函數(shù)對應(yīng)的αi，有αi＜le12且建立完快速相關(guān)向量機的而分類模型后，再將多個二分類器采用“一對一”方法相結(jié)合，建立一個多分類器，設(shè)待分類樣本為k個類別，這k類中的任意兩類都可以組成一個基本的快速相關(guān)向量機二分類器，對所有的訓(xùn)練樣本進行兩兩分類，這樣k個類別兩兩之間共計可以構(gòu)成個快速相關(guān)向量機二分類器，每一個快速相關(guān)向量機分類器只在各自對應(yīng)的樣本子集上進行訓(xùn)練。對未知樣本進行分類測試時，采用投票的方法，把每一個待測樣本都經(jīng)過全部個分類器進行判別。例如，樣本在i、j兩類之間分類時，機器判別結(jié)果其屬于第i類，就在第i類上增加1票，否則對第j類投票加1，直到所有的分類器分類完成，最后統(tǒng)計得票最多的類即為測試樣本所屬類別。設(shè)分類函數(shù)fij(x)用來判別i、j兩類樣本，若fij(x)＜0，則判別x屬于第i類，記i類得1票，否則判x屬于第j類，記j類得1票，最后決策時，比較哪一類得到的票最多，則將測試樣本規(guī)劃為該類。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點與有益效果：1、本發(fā)明建立了一種基于不平衡數(shù)據(jù)聚類的FastRVM污水處理的在線故障診斷模型，通過基于聚類的快速相關(guān)向量機方法對多數(shù)類數(shù)據(jù)壓縮和虛擬少數(shù)類向上采樣方法對少數(shù)類數(shù)據(jù)擴充，降低了污水?dāng)?shù)據(jù)的不平衡性，同時采用FastRVM對污水生化處理過程建立多分類模型，加快在線更新速度，然后根據(jù)工況添加數(shù)據(jù)進行實時診斷并更新模型，等待下一次故障診斷，從而建立了在線故障診斷模型。該在線模型提高了對污水生化處理系統(tǒng)的故障診斷精度，在線性能好，效果顯著。2、本發(fā)明的模型是基于聚類的快速相關(guān)向量機對多數(shù)類數(shù)據(jù)壓縮和虛擬少數(shù)類向上采樣方法對少數(shù)類數(shù)據(jù)擴充，降低了污水?dāng)?shù)據(jù)的不平衡性，不僅能夠在平衡數(shù)據(jù)獲得良好效果，而且還能夠在不平衡數(shù)據(jù)取得比較好的分類效果，在此基礎(chǔ)上采用了FastRVM建立的多分類器，其關(guān)鍵點在于它對訓(xùn)練樣本的超參數(shù)進行快速估計，去除訓(xùn)練樣本的非相關(guān)向量，保證模型的稀疏性，從而減少訓(xùn)練時間。因此，本發(fā)明采用的一種基于不平衡數(shù)據(jù)聚類的FastRVM污水處理的在線故障診斷方法對污水處理過程進行在線故障診斷建模，能夠保證污水處理過程的在線故障診斷的準(zhǔn)率性和實時性。3、本發(fā)明在線仿真實驗時，需要對每一組新的數(shù)據(jù)進行測試并加入模型進行更新。歷史數(shù)據(jù)集通過采取限定記憶的方式來保持其容量，使訓(xùn)練數(shù)據(jù)始終是有限組，每增加一組最新的觀測數(shù)據(jù)，就隨即丟棄一組最早的觀測數(shù)據(jù)，從而保證模型中都包含新數(shù)據(jù)的信息，避免歷史所含數(shù)據(jù)信息淹沒新數(shù)據(jù)所包含的信息。附圖說明圖1為本發(fā)明模型基于不平衡數(shù)據(jù)聚類的FastRVM污水處理在線故障診斷方法流程圖。圖2為本發(fā)明模型快速相關(guān)向量機分類算法流程圖。圖3為本發(fā)明模型“一對一”的快速相關(guān)向量機多分類模型示意圖。具體實施方式下面結(jié)合具體實施例對本發(fā)明作進一步詳細的描述。如圖1所示，本發(fā)明提供的FastRVM污水處理在線故障診斷方法，基于不平衡數(shù)據(jù)聚類，具體情況如下：S1.剔除掉污水?dāng)?shù)據(jù)中屬性不完整的樣本，由于各輸入變量量綱的不同，對其進行歸一化處理，歸一化到[0,1]區(qū)間中，并確定歷史數(shù)據(jù)集xold和更新測試集xnew；S2.將歷史數(shù)據(jù)中的多數(shù)類樣本采用基于聚類的快速相關(guān)向量機方法進行壓縮；S3.根據(jù)虛擬少數(shù)類向上采樣的方法對歷史數(shù)據(jù)中的少數(shù)類樣本進行擴充；S4.將處理后的歷史數(shù)據(jù)中所有類的樣本數(shù)據(jù)重新組合構(gòu)成新的歷史訓(xùn)練集，并建立“一對一”的快速相關(guān)向量機多分類訓(xùn)練模型；S5.從更新測試集xnew中添加k個新樣本到模型中進行測試，并保存分類測試結(jié)果，將其添加到歷史數(shù)據(jù)集中，去掉歷史數(shù)據(jù)集中前k個樣本；S6.回到步驟S2，重新處理不平衡的歷史數(shù)據(jù)，訓(xùn)練模型，不斷重復(fù)上述過程，直到在線更新數(shù)據(jù)測試完畢，得到最終在線測試結(jié)果，從而實現(xiàn)對污水處理過程的在線運行狀態(tài)的識別。所述的步驟S2，具體為：S201、假設(shè)多數(shù)類樣本集X＝{x1,x2,…,xi,…,xn}為n個Rd空間的數(shù)據(jù)，其中d為樣本屬性的維數(shù)，從n個數(shù)據(jù)對象中隨機選擇k個對象作為初始的聚類中心；S202、然后對剩余的樣本對象則根據(jù)與各個聚類中心的距離分別分配到距離最相近的聚類中心中；計算距離的公式如下，假設(shè)cj為第j個類的中心，則xi與cj的距離為：S203、根據(jù)集合中的點更新每個類的聚類中心，假設(shè)第j個類中的樣本為即包含了nj個樣本，則該類的聚類中心為其中為類中心cj的第m個屬性，計算公式如下：S204、不斷重復(fù)S202、S203步驟，直到標(biāo)準(zhǔn)測度函數(shù)收斂為止，采用均方差作為計算標(biāo)準(zhǔn)測度函數(shù)，其形式為：S205、將聚類后的多數(shù)類樣本進行快速相關(guān)向量機分類建模，從而可以獲取一定數(shù)量的相關(guān)向量，這些相關(guān)向量的個數(shù)要比原始多數(shù)類數(shù)據(jù)少得多，并且具有一定的代表性，接著用選取的相關(guān)向量代替原來的多數(shù)類樣本從而對多數(shù)類樣本的壓縮。所述的步驟S3，具體為：S301、對少數(shù)類中的每一個樣本x，以歐式距離為標(biāo)準(zhǔn)計算它到少數(shù)類樣本集中每個樣本的距離，獲得其中k個最近鄰，并記錄近鄰樣本的下標(biāo)，這里k取5；S302、根據(jù)向上采樣的倍率N，對每一個少數(shù)類樣本x，從其k個最近鄰中隨機選取N個樣本，記為y1,y2,…,yN；S303、在原樣本x與yj(j＝1,2,…,N)之間進行隨機線性插值，構(gòu)造新的少數(shù)類樣本pj，即新樣本：pj＝x+rand(0,1)*(yj-x),j＝1,2,…,N(14)其中rand(0,1)表示區(qū)間(0,1)內(nèi)的一個隨機數(shù)。步驟S4中，“一對一”的快速相關(guān)向量機多分類訓(xùn)練模型，如圖3所示，其建立過程如下：處理后的歷史數(shù)據(jù)及可以定義為其中N是數(shù)據(jù)集的樣本個數(shù),n是樣本序號,d是樣本屬性的維數(shù)，zn為樣本的輸入，tn為樣本的目標(biāo)值，預(yù)測函數(shù)如公式一所示：tn＝y(tǒng)(zn；w)+εn(15)其中y(z)的定義如公式(2所示)其中K(z,zi)是核函數(shù)，wi為基函數(shù)對應(yīng)的權(quán)重,w＝[w0,w1,…,wN]T,εn為噪聲，服從εn～N(0,σ2)，因此tn～N(y(zn,w),σ2)。假設(shè)預(yù)測函數(shù)tn之間相互獨立，那么就有：式中Φ是一個N×(N+1)的構(gòu)造矩陣，為了避免過擬合，需要約束模型中的權(quán)值ω，假設(shè)其服從高斯分布，α為超參數(shù)。當(dāng)輸入一組新的變量的時候，對應(yīng)的目標(biāo)值t*為p(t*|t)～p(w,α,σ2|t)，根據(jù)先驗概率分布和似然估計分布，可得權(quán)重的后驗概率分布：p(ω,α,σ2|t)＝p(ω|t,α,σ2)p(α,σ2|t)(18)對上式進行近似處理，最終成了最大化p(α,σ2|t)∝p(t|α,σ2)p(α)p(σ2)的過程，也就是找到參數(shù)α和σ2最可能的值αMP、快速相關(guān)向量機在訓(xùn)練過程中從空集開始動態(tài)地擴充基矩陣Φ，從而增大邊際似然函數(shù)，或者去掉基矩陣Φ冗余的列來增大目標(biāo)函數(shù)。通過將邊界似然函數(shù)p(t|α,σ2)取對數(shù)，記L(α)＝log[p(t|α,σ2)]，整理有：其中L(α-i)表示為當(dāng)αi＝∞時，相應(yīng)的基本向量φi被移除后所對應(yīng)的邊界似然函數(shù)的對數(shù)，而l(αi)表示邊界似然的對數(shù)函數(shù)中只與αi有關(guān)的獨立部分。Si被定義為稀疏因子，Qi為質(zhì)量因子。L(α)有唯一最大值點為：為了最大化L(α)，根據(jù)公式(20),不斷地迭代來尋找到合適的權(quán)重，這時超參數(shù)α也會對著權(quán)重w不斷更新，通過不斷地更新，可以得到最終的訓(xùn)練模型一些樣本點對應(yīng)的權(quán)重為零，那些不為零的點就是相關(guān)向量。如圖2所示，快速相關(guān)向量機分類基本算法步驟如下：(1)初始化σ2＝0；(2)用單個基向量φi初始化αi，由公式(20)分析整理可得并設(shè)置其他的αm(m≠i)為無窮大；(3)計算協(xié)方差矩陣Σ、權(quán)重矩陣μ并對所有M個基函數(shù)φm初始化Sm和Qm；(4)從所有M個基函數(shù)φm集合中選擇候選的基向量φi；(5)計算(6)若θi＞0且αi＜∞，重新估計αi；(7)若θi＞0且αi＝∞，添加φi到模型中并重新估計αi；(8)若θi≤0且αi＜∞，刪除φi并設(shè)置αi＝∞；(9)用Laplace逼近方法重新計算協(xié)方差矩陣Σ，權(quán)重矩陣μ以及相應(yīng)迭代過程中的Sm和Qm；(10)若收斂或者達到最大迭代次數(shù)，則終止程序；否則轉(zhuǎn)步驟(4)；終止條件為：任意在模型中的基函數(shù)對應(yīng)的αi，有αi＜le12且建立完快速相關(guān)向量機的而分類模型后，再將多個二分類器采用“一對一”方法相結(jié)合，建立一個多分類器，設(shè)待分類樣本為k個類別，這k類中的任意兩類都可以組成一個基本的快速相關(guān)向量機二分類器，對所有的訓(xùn)練樣本進行兩兩分類，這樣k個類別兩兩之間共計可以構(gòu)成個快速相關(guān)向量機二分類器，每一個快速相關(guān)向量機分類器只在各自對應(yīng)的樣本子集上進行訓(xùn)練。對未知樣本進行分類測試時，采用投票的方法，把每一個待測樣本都經(jīng)過全部個分類器進行判別。例如，樣本在i、j兩類之間分類時，機器判別結(jié)果其屬于第i類，就在第i類上增加1票，否則對第j類投票加1，直到所有的分類器分類完成，最后統(tǒng)計得票最多的類即為測試樣本所屬類別。設(shè)分類函數(shù)fij(x)用來判別i、j兩類樣本，若fij(x)＜0，則判別x屬于第i類，記i類得1票，否則判x屬于第j類，記j類得1票，最后決策時，比較哪一類得到的票最多，則將測試樣本規(guī)劃為該類。下面我們結(jié)合具體數(shù)據(jù)對本發(fā)明上述的加權(quán)極限學(xué)習(xí)機污水處理在線故障診斷方法進行具體說明，如下：實驗仿真的數(shù)據(jù)來自UCI數(shù)據(jù)庫，是一個污水處理廠的兩年內(nèi)的日常監(jiān)控數(shù)據(jù)，整個數(shù)據(jù)集包括不完整記錄在內(nèi)一共有527個記錄，每個樣本維數(shù)為38(即38個測量變量，對應(yīng)各個指標(biāo)的值)，全部屬性值都完整的記錄有380個，被監(jiān)測的水體一共有13種狀態(tài)，各個狀態(tài)用數(shù)字代替(為方便起見省去狀態(tài)稱)。527個記錄在13種狀態(tài)下的分布情況見下表1。表1-527個記錄在13種狀態(tài)下的分布情況類別12345678910111213個數(shù)2791141163116515311為了簡化分類的復(fù)雜度，我們根據(jù)樣本類別的性質(zhì)，將樣本分為4大類，如下表2。表2-527個記錄在4種狀態(tài)下的分布情況類別1234個數(shù)3321166514類別1為正常情況，類別2為性能超過平均值的正常情況，類別3為進水流量低的正常情況，類別4為二沉池故障、暴雨引起的非正常狀態(tài)和固體溶度過負荷等原因引起的故障情況。本實施例上述的基于不平衡數(shù)據(jù)聚類的FastRVM污水處理的在線故障診斷方法，包含以下順序的步驟：S1.首先剔除掉527個污水?dāng)?shù)據(jù)中147個屬性不完整的數(shù)據(jù)，得到380個屬性完整數(shù)據(jù)，然后將數(shù)據(jù)按式歸一化處理，將處理后的數(shù)據(jù)集按2:1的比例進行隨機分層抽樣，得到歷史數(shù)據(jù)集xold和在線更新測試集xnew。S2.將歷史數(shù)據(jù)集中的多數(shù)類樣本(第一類)提取出來，采用K-means方法將其聚成兩類，然后將聚類后的第一類數(shù)據(jù)采用快速相關(guān)向量機方法進行建模，得到合適數(shù)量的相關(guān)向量，用所選取的相關(guān)向量代替多數(shù)類樣本；S3.根據(jù)向上采樣的倍率，采用虛擬少數(shù)類向上采樣的方法將歷史樣本中的少數(shù)類樣本(第三類和第四類)進行擴；S4.將處理后的所有類的歷史樣本數(shù)據(jù)重新組合構(gòu)成新的歷史訓(xùn)練集，如表3所示，建立“一對一”的快速相關(guān)向量機多分類訓(xùn)練模型。多分類訓(xùn)練模型選用RBF核函數(shù)，核寬度參數(shù)通過對新的訓(xùn)練集采用5折交叉驗證的網(wǎng)格搜索方法來確定，然后根據(jù)總共有四個類別，一共建立6個二分類器；S5.從在線更新測試集xnew中取k個新樣本到多分類器模型中進行測試，對6個分類器分別輸入測試集xnew，進行投票，保存分類測試結(jié)果，將其添加到歷史數(shù)據(jù)集中，去掉歷史數(shù)據(jù)集中前k個樣本；S6.回到步驟S2，重新訓(xùn)練模型，不斷重復(fù)上述過程，直到在線更新數(shù)據(jù)測試完畢，得到最終在線測試結(jié)果，從而實現(xiàn)對污水處理過程的在線運行狀態(tài)的識別。本發(fā)明所采用的基于聚類的FastRVM污水處理在線故障診斷模型能夠很好的滿足要求，從而實現(xiàn)對污水處理過程運行狀態(tài)的實時監(jiān)測與控制，值得推廣。表2-527個記錄在4種狀態(tài)下的分布情況以上所述之實施例子只為本發(fā)明之較佳實施例，并非以此限制本發(fā)明的實施范圍，故凡依本發(fā)明之形狀、原理所作的變化，均應(yīng)涵蓋在本發(fā)明的保護范圍內(nèi)。當(dāng)前第1頁1 2 3