本發(fā)明屬于工業(yè)過(guò)程控制領(lǐng)域，尤其涉及一種基于集成半監(jiān)督費(fèi)舍爾判別的工業(yè)過(guò)程故障分類(lèi)方法。

背景技術(shù)：

作為過(guò)程系統(tǒng)工程的重要組成部分，過(guò)程監(jiān)測(cè)技術(shù)對(duì)于保障過(guò)程安全及提高產(chǎn)品質(zhì)量等現(xiàn)代流程工業(yè)的核心目標(biāo)而言，具有重大的研究意義和應(yīng)用價(jià)值。得益于過(guò)程工業(yè)控制技術(shù)的不斷發(fā)展，集散控制系統(tǒng)(DCS)在流程工業(yè)中得到了廣泛應(yīng)用，流程工業(yè)因而采集到了海量的過(guò)程數(shù)據(jù)。因此，基于多變量統(tǒng)計(jì)和模式識(shí)別的過(guò)程監(jiān)測(cè)技術(shù)受到了學(xué)術(shù)界和工業(yè)界的普遍關(guān)注，成為過(guò)程監(jiān)測(cè)領(lǐng)域的研究熱點(diǎn)。近二十年來(lái)，大量的研究成果和應(yīng)用隨之產(chǎn)生。

雖然傳統(tǒng)的模式識(shí)別的故障分類(lèi)方法，如基于聚類(lèi)或分類(lèi)的方法在過(guò)程監(jiān)測(cè)領(lǐng)域已經(jīng)取得了不錯(cuò)的進(jìn)展，可是工業(yè)過(guò)程的實(shí)際數(shù)據(jù)往往是比理想的假設(shè)前提要復(fù)雜得多。其中，現(xiàn)代工業(yè)過(guò)程廣泛存在如故障數(shù)據(jù)數(shù)目與正常數(shù)據(jù)數(shù)目極其不均衡，訓(xùn)練樣本的標(biāo)簽丟失或者變量丟失等問(wèn)題?；诒O(jiān)督學(xué)習(xí)的故障分類(lèi)方法在面對(duì)訓(xùn)練樣本較少的情況，會(huì)出現(xiàn)學(xué)習(xí)得到的特征空間對(duì)少量樣本過(guò)擬合的問(wèn)題?？墒?，實(shí)際工業(yè)過(guò)程會(huì)有大量無(wú)標(biāo)簽數(shù)據(jù)伴隨產(chǎn)生，這些數(shù)據(jù)含有對(duì)于分析過(guò)程信息的有用信息，如果能夠有效利用這些信息，那么數(shù)據(jù)驅(qū)動(dòng)的故障分類(lèi)方法會(huì)得到更優(yōu)的結(jié)果，因此半監(jiān)督算法的引入是解決這一問(wèn)題的重要途徑。但實(shí)際問(wèn)題是，半監(jiān)督學(xué)習(xí)的表現(xiàn)并不穩(wěn)定，在特定的數(shù)據(jù)下表現(xiàn)可能還不如有監(jiān)督學(xué)習(xí)的效果。集成學(xué)習(xí)是使用一系列學(xué)習(xí)器進(jìn)行學(xué)習(xí)，并使用某種規(guī)則把各個(gè)學(xué)習(xí)結(jié)果進(jìn)行整合從而獲得比單個(gè)學(xué)習(xí)器更好的學(xué)習(xí)效果的一種機(jī)器學(xué)習(xí)方法。分類(lèi)器融合中的度量層融合屬于集成學(xué)習(xí)的一個(gè)分支。本發(fā)明采用將半監(jiān)督學(xué)習(xí)和集成學(xué)習(xí)相結(jié)合的方法，通過(guò)半監(jiān)督算法利用無(wú)標(biāo)簽數(shù)據(jù)中所包含的大量信息，用集成算法的泛化能力提高半監(jiān)督算法表現(xiàn)不穩(wěn)定的缺陷，兩種算法的結(jié)合可以互為補(bǔ)充泛化出更穩(wěn)定更準(zhǔn)確的學(xué)習(xí)模型，提高工業(yè)過(guò)程故障分類(lèi)的準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有方法的假設(shè)局限，提供一種基于集成半監(jiān)督費(fèi)舍爾判別的工業(yè)過(guò)程故障分類(lèi)方法。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于集成半監(jiān)督費(fèi)舍爾判別的工業(yè)過(guò)程故障分類(lèi)方法，包括以下步驟：

(1)利用系統(tǒng)收集過(guò)程正常工況的數(shù)據(jù)以及各種故障數(shù)據(jù)組成建模用的有標(biāo)簽訓(xùn)練樣本集：假設(shè)故障類(lèi)別為C,在加上一個(gè)正常類(lèi)，建模數(shù)據(jù)的總類(lèi)別為C+1,即X_i＝[x₁；x₂；…；x_n]i＝1,2,…,C+1。其中X_i∈R^n×m，n為訓(xùn)練樣本數(shù)，m為過(guò)程變量數(shù)，R為實(shí)數(shù)集，R^n×m表示X滿(mǎn)足n×m的二維分布。所以完整的有標(biāo)簽訓(xùn)練樣本集為X_l＝[X₁；X₂；…；X_C+1],X∈R^((C+1)*n)*m，記錄所有數(shù)據(jù)的標(biāo)簽信息，正常工況下標(biāo)記標(biāo)簽為1，故障1標(biāo)簽為2，以此類(lèi)推，即Y_i＝[i；i；…；i]i＝1,2,…,C+1，完整的標(biāo)簽集為Y_l＝[Y₁,Y₂,…,Y_C+1],Y_l∈R^{1×((C+1)*n)*m}。將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)作為有標(biāo)簽數(shù)據(jù)集。

(2)利用系統(tǒng)收集若干工況及故障情況未知的數(shù)據(jù)組成建模用的無(wú)標(biāo)簽訓(xùn)練樣本集：X_u＝[x_u1；x_u2；…；x_uq],X_u∈R^q×m，其中q為訓(xùn)練樣本數(shù)，m為過(guò)程變量數(shù)，R為實(shí)數(shù)集，R^q×m表示X滿(mǎn)足q×m的二維分布。將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)作為無(wú)標(biāo)簽數(shù)據(jù)集。

(3)從數(shù)據(jù)庫(kù)中調(diào)用訓(xùn)練用的有標(biāo)簽數(shù)據(jù)和無(wú)標(biāo)簽數(shù)據(jù)數(shù)據(jù)X_l,X_u，對(duì)其進(jìn)行預(yù)處理和歸一化，使得各個(gè)過(guò)程變量的均值為零，方差為1，得到新的數(shù)據(jù)矩陣集為

(4)設(shè)定迭代次數(shù)即弱分類(lèi)器個(gè)數(shù)為G，每次在無(wú)標(biāo)簽數(shù)據(jù)矩陣集中隨機(jī)抽取α％的數(shù)據(jù)和有標(biāo)簽數(shù)據(jù)矩陣集組成訓(xùn)練子集在每個(gè)訓(xùn)練子集下建立不同的半監(jiān)督費(fèi)舍爾判別分類(lèi)器模型。

(5)在有標(biāo)簽數(shù)據(jù)矩陣集下，利用不同的分類(lèi)器模型和參數(shù)，計(jì)算每個(gè)樣本x_i的度量矩陣P_i,i＝1,2,…,(C+1)*n，并且P_i∈R^g×(C+1)。

(6)將建模數(shù)據(jù)和各個(gè)模型參數(shù)以及各個(gè)有標(biāo)簽數(shù)據(jù)的度量層矩陣存入歷史數(shù)據(jù)庫(kù)中備用。

(7)在線收集新的過(guò)程數(shù)據(jù)X_new，并對(duì)其進(jìn)行預(yù)處理和歸一化使得各個(gè)過(guò)程變量的均值為零，方差為1，得到分別采用不同的半監(jiān)督費(fèi)舍爾判別模型對(duì)其進(jìn)行監(jiān)測(cè)得到度量層矩陣。

(8)將在線過(guò)程數(shù)據(jù)的度量層矩陣和之前得到的有標(biāo)簽數(shù)據(jù)度量層矩陣及其標(biāo)簽進(jìn)行K近鄰融合，得到待分類(lèi)過(guò)程數(shù)據(jù)的最終分類(lèi)結(jié)果。

本發(fā)明的有益效果是：本發(fā)明通過(guò)對(duì)每一個(gè)故障數(shù)據(jù)分別進(jìn)行不同分類(lèi)器方法下的分析和建模。然后，通過(guò)層次分析法對(duì)不同分類(lèi)器的分類(lèi)效果做出打分評(píng)價(jià)，最后結(jié)合模糊融合方法將不同分類(lèi)器方法下的分類(lèi)結(jié)果進(jìn)行集成融合，得到最終的分類(lèi)結(jié)果。相比目前的其他故障分類(lèi)方法，本發(fā)明不僅提高了工業(yè)過(guò)程的監(jiān)測(cè)效果，增加了分類(lèi)的準(zhǔn)確性，使工業(yè)生產(chǎn)更加安全可靠，而且在很大程度上改善了單一故障分類(lèi)方法的局限性，以及分類(lèi)方法對(duì)過(guò)程知識(shí)的依賴(lài)性，增強(qiáng)了過(guò)程操作員對(duì)過(guò)程狀態(tài)的掌握，更加有利于工業(yè)過(guò)程的自動(dòng)化實(shí)施。

附圖說(shuō)明

圖1為FDA處理的結(jié)果示意圖；

圖2為SFDA處理的結(jié)果示意圖；

圖3為迭代次數(shù)G為7時(shí)的半監(jiān)督費(fèi)舍爾判別度量層融合算法(ESFDA)的分類(lèi)結(jié)果圖。

具體實(shí)施方式

本發(fā)明針對(duì)工業(yè)過(guò)程的故障分類(lèi)問(wèn)題，該方法，首先利用集散控制系統(tǒng)收集正常工作狀態(tài)下的數(shù)據(jù)以及幾種故障數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，先進(jìn)行離線建模，對(duì)大量的無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行隨機(jī)采樣，并與全部的有標(biāo)簽數(shù)據(jù)組成若干個(gè)隨機(jī)訓(xùn)練子集，然后進(jìn)行半監(jiān)督費(fèi)舍爾降維，獲得多個(gè)費(fèi)舍爾判別矩陣(由r個(gè)費(fèi)舍爾判別向量組成，r為降維后的維度)。將降維后的樣本數(shù)據(jù)進(jìn)行貝葉斯分類(lèi)得到一系列的后驗(yàn)概率矩陣，將有標(biāo)簽數(shù)據(jù)的后驗(yàn)概率矩陣和對(duì)應(yīng)的標(biāo)簽作為度量層融合算法K近鄰的訓(xùn)練樣本。最后，在線分類(lèi)時(shí)調(diào)用上述各個(gè)半監(jiān)督費(fèi)舍爾判別分類(lèi)器得到每個(gè)樣本的后驗(yàn)概率矩陣，輸入到度量層融合K近鄰分類(lèi)器中得到最終的故障分類(lèi)結(jié)果。

本發(fā)明采用的技術(shù)方案的主要步驟分別如下：

第一步 利用系統(tǒng)收集過(guò)程正常工況的數(shù)據(jù)以及各種故障數(shù)據(jù)組成建模用的有標(biāo)簽訓(xùn)練樣本集：假設(shè)故障類(lèi)別為C,在加上一個(gè)正常類(lèi)，建模數(shù)據(jù)的總類(lèi)別為C+1,即X_i＝[x₁；x₂；…；x_n]i＝1,2,…,C+1。其中X_i∈R^n×m，n為訓(xùn)練樣本數(shù)，m為過(guò)程變量數(shù)，R為實(shí)數(shù)集，R^n×m表示X滿(mǎn)足n×m的二維分布。所以完整的有標(biāo)簽訓(xùn)練樣本集為X_l＝[X₁；X₂；…；X_C+1],X∈R^((C+1)*n)*m，記錄所有數(shù)據(jù)的標(biāo)簽信息，正常工況下標(biāo)記標(biāo)簽為1，故障1標(biāo)簽為2，以此類(lèi)推，即Y_i＝[i；i；…；i]i＝1,2,…,C+1，完整的標(biāo)簽集為Y_l＝[Y₁,Y₂,…,Y_C+1],Y_l∈R^{1×((C+1)*n)*m}。將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)作為有標(biāo)簽數(shù)據(jù)集。

第二步 利用系統(tǒng)收集若干工況及故障情況未知的數(shù)據(jù)組成建模用的無(wú)標(biāo)簽訓(xùn)練樣本集：X_u＝[x_u1；x_u2；…；x_uq],X_u∈R^q×m，其中q為訓(xùn)練樣本數(shù)，m為過(guò)程變量數(shù)，R為實(shí)數(shù)集，R^q×m表示X滿(mǎn)足q×m的二維分布。將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)作為無(wú)標(biāo)簽數(shù)據(jù)集。

第三步 從數(shù)據(jù)庫(kù)中調(diào)用訓(xùn)練用的有標(biāo)簽數(shù)據(jù)和無(wú)標(biāo)簽數(shù)據(jù)數(shù)據(jù)X_l,X_u，對(duì)其進(jìn)行預(yù)處理和歸一化，使得各個(gè)過(guò)程變量的均值為零，方差為1，得到新的數(shù)據(jù)矩陣集為

第四步 設(shè)定迭代次數(shù)即弱分類(lèi)器個(gè)數(shù)為G，G的選取視具體工況數(shù)據(jù)表現(xiàn)而定，每次在無(wú)標(biāo)簽數(shù)據(jù)矩陣集中隨機(jī)抽取α％的數(shù)據(jù)和有標(biāo)簽數(shù)據(jù)矩陣集組成訓(xùn)練子集在每個(gè)訓(xùn)練子集下建立不同的半監(jiān)督費(fèi)舍爾判別分類(lèi)器模型。

具體步驟如下：

a)根據(jù)FDA算法計(jì)算有監(jiān)督FDA的類(lèi)間散度矩陣S_b和類(lèi)內(nèi)散度矩陣S_w，計(jì)算方法如下所示：

其中權(quán)值矩陣與定義為

b)根據(jù)無(wú)監(jiān)督降維方法PCA進(jìn)行全局散度矩陣的計(jì)算，整理成與FDA的對(duì)應(yīng)形式，計(jì)算方法如下所示：

其中為n×n維矩陣，且

c)計(jì)算半監(jiān)督費(fèi)舍爾判別(SFDA)的正則化類(lèi)間散度矩陣S_rb與正則化類(lèi)內(nèi)散度矩陣S_rw，計(jì)算方法如下所示：

S_rb＝(1-β)S_b+βS_t (5)

S_rw＝(1-β)S_w+βI_m (6)

其中其中I_m是m維的單位對(duì)角矩陣，β∈[0,1]是調(diào)整參數(shù)，負(fù)責(zé)設(shè)置SFDA的平滑性。當(dāng)β的值比較大時(shí)，SFDA更傾向于無(wú)監(jiān)督學(xué)習(xí)的PCA。反之，則SFDA更接近FDA。當(dāng)β的值為兩種極端時(shí)，會(huì)比較特殊：當(dāng)β＝0，SFDA退化為FDA；當(dāng)β＝1,SFDA退化為PCA。

d)進(jìn)行半監(jiān)督費(fèi)舍爾判別向量求解，計(jì)算方法如下所示：

半監(jiān)督費(fèi)舍爾判別向量同樣可以通過(guò)求解下面的優(yōu)化問(wèn)題得到：

上述的優(yōu)化問(wèn)題同樣可等價(jià)于廣義特征值問(wèn)題

其中是廣義特征值，而向量w是對(duì)應(yīng)的廣義特征向量。將所求得的廣義特征值降序排列為相應(yīng)廣義特征向量為w₁,w₂,…,w_m即為半監(jiān)督費(fèi)舍爾判別向量q₁,q₂,…,q_m，而這些向量的分類(lèi)性能依次減弱。

e)選取前r個(gè)特征向量，得到費(fèi)舍爾判別子空間Q_r＝[q₁,q₂,…,q_r]。

f)對(duì)每個(gè)子訓(xùn)練集重復(fù)以上a)-e)步驟，得到G個(gè)子分類(lèi)器的費(fèi)舍爾判別子空間。

第五步 在有標(biāo)簽數(shù)據(jù)矩陣集下，利用不同的分類(lèi)器模型和參數(shù)，利用不同子分類(lèi)器的費(fèi)舍爾判別子空間進(jìn)行降維分類(lèi)，計(jì)算每個(gè)樣本x_i的度量矩陣P_i,i＝1,2,…,(C+1)*n，并且P_i∈R^g×(C+1)。具體步驟如下：

a)通常情況下，正常工況下的數(shù)據(jù)可假設(shè)是滿(mǎn)足多變量高斯分布，故障如某些變量階躍變化或者變量值隨機(jī)增加的所引發(fā)的故障數(shù)據(jù)也可以認(rèn)為是滿(mǎn)足高斯分布的。假設(shè)樣本屬于每一類(lèi)的先驗(yàn)概率相等為計(jì)算的條件概率密度函數(shù)，方法如下：

其中是C_k類(lèi)樣本的均值向量。

b)根據(jù)貝葉斯準(zhǔn)則，計(jì)算屬于第i類(lèi)型的后驗(yàn)概率，方法如下：

c)將每個(gè)樣本用不同子分類(lèi)器的半監(jiān)督費(fèi)舍爾判別矩陣Q_r進(jìn)行上述運(yùn)算，計(jì)算每個(gè)樣本x_i的度量矩陣P_i,i＝1,2,…,(C+1)*n，并且P_i∈R^g×(C+1)。

其中p_gj表示待分類(lèi)樣本被第g個(gè)子分類(lèi)器判斷成第j類(lèi)的概率。最終得到所有樣本的度量層矩陣集合P_l＝[P₁,P₂,…,P_C+1],P∈R^{g×(C+1)×((C+1)*n)}。

第六步 將建模數(shù)據(jù)和各個(gè)模型參數(shù)以及各個(gè)有標(biāo)簽數(shù)據(jù)的度量層矩陣存入歷史數(shù)據(jù)庫(kù)中備用。

第七步 收集新的在線過(guò)程數(shù)據(jù)X_new，并對(duì)其進(jìn)行預(yù)處理和歸一化使得各個(gè)過(guò)程變量的均值為零，方差為1，得到將新得到的每一個(gè)過(guò)程數(shù)據(jù)采用不同的半監(jiān)督費(fèi)舍爾判別模型對(duì)其進(jìn)行監(jiān)測(cè)得到度量層矩陣，具體方法和步驟(5)相同。

第八步 將之前得到的有標(biāo)簽數(shù)據(jù)度量層矩陣及其標(biāo)簽作為K近鄰的訓(xùn)練樣本集，將待測(cè)在線過(guò)程數(shù)據(jù)的度量層輸出進(jìn)行K近鄰融合，得到待分類(lèi)過(guò)程數(shù)據(jù)的最終分類(lèi)結(jié)果。具體步驟如下：

a)初始化k值，如果對(duì)于二分類(lèi)問(wèn)題k取奇數(shù)。將有標(biāo)簽數(shù)據(jù)的度量矩陣集P_l＝[P₁,P₂,…,P_C+1],P∈R^{g×(C+1)×((C+1)*n)}和數(shù)據(jù)相應(yīng)標(biāo)簽Y_l＝[Y₁,Y₂,…,Y_C+1],Y∈R^((C+1)*n)*m作為度量層K近鄰融合算法的訓(xùn)練集。

b)對(duì)于待分類(lèi)的過(guò)程樣本x_newi的度量層輸出P_newi，計(jì)算其與訓(xùn)練集所有樣本的歐氏距離D_ij，在其中找出最近的k個(gè)樣本點(diǎn)。

D_ij＝||P_newi-P_j||_F

其中D_ij為第i個(gè)待分類(lèi)樣本與第j個(gè)訓(xùn)練樣本間的歐氏距離。

c)計(jì)算這k個(gè)樣本中屬于C＝(c₁,c₂,…,c_C+1)類(lèi)的樣本個(gè)數(shù)k_i，顯然則該待分類(lèi)樣本屬于最大值k_i的那一類(lèi)c_i。

以下結(jié)合一個(gè)具體的工業(yè)過(guò)程的例子來(lái)說(shuō)明本發(fā)明的有效性。該過(guò)程的數(shù)據(jù)來(lái)自美國(guó)TE(Tennessee Eastman——田納西-伊斯曼)化工過(guò)程實(shí)驗(yàn)，原型是Eastman化學(xué)公司的一個(gè)實(shí)際工藝流程。目前,TE過(guò)程己經(jīng)作為典型的化工過(guò)程故障檢測(cè)與診斷對(duì)象被廣泛研究。整個(gè)TE過(guò)程包括41個(gè)測(cè)量變量和12個(gè)操作變量(控制變量),其中41個(gè)測(cè)量變量包括22個(gè)連續(xù)測(cè)量變量和19個(gè)成分測(cè)量值，它們每3分鐘被采樣一次。其中包括21批故障數(shù)據(jù)。這些故障中,16個(gè)是己知的,5個(gè)是未知的。故障1～7與過(guò)程變量的階躍變化有關(guān),如冷卻水的入口溫度或者進(jìn)料成分的變化。故障8～12與一些過(guò)程變量的可變性增大有關(guān)系。故障13是反應(yīng)動(dòng)力學(xué)中的緩慢漂移,故障14、15和21是與粘滯閥有關(guān)的。故障16～20是未知的。為了對(duì)該過(guò)程進(jìn)行監(jiān)測(cè)，一共選取了44個(gè)過(guò)程變量，如表1所示。接下來(lái)結(jié)合該具體過(guò)程對(duì)本發(fā)明的實(shí)施步驟進(jìn)行詳細(xì)地闡述：

1.采集正常數(shù)據(jù)以及4種故障數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理和歸一化。本實(shí)驗(yàn)中分別選擇了正常工況以及故障1、2、5、6作為訓(xùn)練樣本，故障1和故障2都是流4中的成分變化。故障6是由流1中的A進(jìn)料損失所引起的，但是最終會(huì)對(duì)流4中的A成分產(chǎn)生影響。故障5與上面3種故障都不一樣，它是由冷凝器冷卻水的入口溫度階躍變化所引發(fā)的。采樣時(shí)間為3min，其中正常工況含有標(biāo)簽樣本120個(gè)樣本，其余故障分類(lèi)分別選擇有標(biāo)簽樣本20個(gè)。

2.采集無(wú)標(biāo)簽數(shù)據(jù)，使樣本的標(biāo)簽率σ＝20％，設(shè)置迭代次數(shù)G，將無(wú)標(biāo)簽數(shù)據(jù)隨機(jī)采樣G次，每次取70％的無(wú)標(biāo)簽數(shù)據(jù)，和有標(biāo)簽數(shù)據(jù)一起組成子分類(lèi)器訓(xùn)練集。

3.對(duì)每個(gè)子訓(xùn)練集進(jìn)行模型訓(xùn)練，求得半監(jiān)督費(fèi)舍爾判別向量矩陣，實(shí)驗(yàn)中選取r＝5。

4.對(duì)訓(xùn)練樣本集中的有標(biāo)簽數(shù)據(jù)進(jìn)行半監(jiān)督費(fèi)舍爾判別分類(lèi)，得到所有有標(biāo)簽數(shù)據(jù)的度量層矩陣。將有標(biāo)簽度量層矩陣和其標(biāo)簽集作為度量層融合算法K近鄰的訓(xùn)練集。

5.在線分類(lèi)測(cè)試

收集與訓(xùn)練數(shù)據(jù)不同的樣本數(shù)據(jù)作為在線分類(lèi)的測(cè)試數(shù)據(jù)，包括正常工況數(shù)據(jù)共C+1類(lèi)，每一類(lèi)數(shù)據(jù)為X_tj＝[x_t1；x_t2；…；x_tN],j＝1,2,…,C+1，實(shí)驗(yàn)中C為4。其中正常測(cè)試樣本取100個(gè)，其余各工況各選50個(gè)。

先對(duì)在線測(cè)試數(shù)據(jù)進(jìn)行歸一化處理，將處理后的樣本輸入到每個(gè)子分類(lèi)器中，得到測(cè)試樣本的度量層矩陣。將測(cè)試樣本的度量層矩陣放入K近鄰方法中進(jìn)行度量層融合得到最終的分類(lèi)結(jié)果。

從圖1和圖2中可以看出，半監(jiān)督算法的引入對(duì)傳統(tǒng)的有監(jiān)督FDA分類(lèi)算法的分類(lèi)效果有一個(gè)明顯的提升。圖3為迭代7次的半監(jiān)督費(fèi)舍爾判別度量層融合算法(ESFDA)的分類(lèi)結(jié)果，可以看出算法的錯(cuò)分率相較于SFDA有更好的表現(xiàn)。

由不同迭代次數(shù)G下的ESFDA算法的表現(xiàn)可見(jiàn)，在一定范圍內(nèi)隨著迭代次數(shù)的增加，算法的分類(lèi)結(jié)果越好。

表1：監(jiān)控變量說(shuō)明

上述實(shí)施例用來(lái)解釋說(shuō)明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。