D0I:10.13374/i.issm1001053x.2003.05.050 第25卷第5期 北京科技大学学报 VoL25No.5 2003年10月 Journal of University of Science and Technology Beijing 0ct2003 基于统计空间映射的自学习模式识别方法 徐正光)瞿寿德)于连荣) 1)北京科技大学信息工程学院，北京1000832)河南省工业学校，郑州450002 摘要针对生产工况实测数据不能覆盖整个数据空间的现象，提出了一种基于统计空间 映射的自学习模式识别方法.通过实测数据的仿真实验验证了该方法的有效性。 关键词自学习，模式识别，统计空间映射 分类号TP274 1问题的提出 (2)在远离数据密集区、样本数据未达到的区 间，当生产过程异常时出现的工况数据，如图1 在文献[】中提出了基于统计映射空间的模 所示，按文献[山介绍的方法进行在线识别就会 式识别方法，通过建立产品质量空间与工况特征 带来困难。 空间的统计映射关系，在产品质量空间聚类，获 针对上述情况，本文提出了基于统计空间映 得根据质量优劣信息划分的模式类别，并将模式 射的自学习模式识别方法.通过仿真实验，获得 类别及判别准则映射回特征空间，在特征空间进 了满意的结果. 行在线分类，获得产品质量的在线推断，但在作 聚类训练时，训练数据是从现场采集的实测工况 2修正的ISODATA聚类算法 数据。相对整个数据空间来说是相当有限的. 样本空间不可能覆盖整个数据空间，存在如下 为了获得在样本数据密集区具有足够的模 问题： 式区分性能，同时划分的模式类别又能够覆盖整 (1)在数据密集区，也就是模式分类需要细分 个数据样本空间，并使其适应自学习模式识别算 的产品质量指标附近，由于样本不能完全覆盖整 法的需要.对ISODATA算法进行改进，提出如 个区域，可能有未被划分的区域，如图1所示，图 下修正的ISODATA聚类算法： 中XOY构成整个数据空间，灰色区域为数据样本 (1)给定控制参数.K为期望得到的类别数 空间，B*为远离样本空间的可能样本点，当实际 目：日为一个聚合中的标准偏差参数：I为允许的 生产工况落入这一区域时，能否识别？即使可以 最多迭代次数.给定n个混合样本，令J=1:预选 识别，对应的产品质量如何也会产生误差. c个起始聚合中心Z,j=1,2,…,c. (2)计算出每个样本与每个聚合中心的距离 Dx,Z,(U).如果 Dx,Z,)=min{Dx,Z(J0,k=1,2,…,n}, ,…, 则x∈w,j=1,2,,c,表示第i个模式类别.把全部 样本划分到c个聚合中，令n,表示各个子集X的 B率 样本数目， (3)计算新的聚合中心. X 图1样本数据示意图 Z0=片产x=12,6. Fig.1 Distribution graph of data sample (4)计算类内距离平均值. 收稿日期2002-11-22徐正光男，43岁，副教授 D,=12Dx,ZU0),j=1,2,c. 月与 *国家自然科学基金资助课题N0.96213949.1) (5)计算类内总平均距离D.第 卷 第 期 年 月 北 京 科 技 大 学 学 报 劝 么 基于统计空 间映射 的 自学习模式识别方法 徐正 光 ” 瞿寿德 ‘ ’ 于 连 荣 ” 北 京科技大学信息 工 程 学 院 ， 北 京 河 南 省工 业 学校 ， 郑 州 摘 要 针 对 生 产 工 况 实测 数据 不 能覆盖 整 个 数 据空 间 的现 象 ， 提 出 了一 种 基 于 统 计 空 间 映射 的 自学 习 模式 识 别 方 法 通 过 实测数 据 的 仿 真实验 验证 了该 方法 的有 效性 关键 词 自学 习 ， 模式识 别 ， 统计 空 间 映射 分 类号 问题 的提 出 在文 献 〔 中提 出 了基 于统 计 映射 空 间 的模 式 识 别 方 法 ， 通 过 建 立 产 品质 量 空 间与工 况特 征 空 间 的统 计 映射 关系 ， 在产 品质 量 空 间聚 类 ， 获 得 根据质 量优 劣信 息划 分 的模 式类 别 ， 并将 模式 类 别及 判别准 则 映射 回特 征 空 间 ， 在特征 空 间进 行 在 线 分 类 ， 获得 产 品质 量 的在 线推 断 但 在 作 聚类 训 练 时 ， 训 练 数据 是从现 场 采 集 的实测 工 况 数 据 相 对 整 个 数 据 空 间 来 说 是 相 当 有 限 的 样 本 空 间 不 可 能 覆 盖 整 个 数 据 空 间 ， 存 在 如 下 问题 在 数 据 密 集 区 ， 也就 是模式分类需要 细 分 的产 品质量 指 标 附近 ， 由于样本 不 能完全 覆 盖 整 个 区 域 ， 可 能有 未被 划 分 的 区 域 ， 如 图 所 示 ， 图 中 丫〔〕 构成 整 个 数 据 空 间 ， 灰色 区域 为数 据 样本 空 间 ， 为远 离 样 本 空 间的可 能样本 点 当实 际 生 产 工 况 落 入 这 一 区 域 时 ， 能否 识 别 即使 可 以 识 别 ， 对 应 的产 品质 量 如 何 也 会 产 生 误 差 在远 离数据密集 区 、 样本数据 未达 到 的区 间 ， 当生 产 过 程 异 常 时 出现 的工 况 数 据 ， 如 图 所 示 ， 按 文 献 【 介 绍 的方法 进 行 在 线 识 别 就 会 带 来 困难 针 对 上述 情 况 ， 本 文 提 出 了基 于 统 计 空 间映 射 的 自学 习 模 式识 别 方 法 通 过 仿 真 实验 ， 获得 了满 意 的结 果 修 正 的 聚 类算法 为 了获 得 在 样 本 数 据 密 集 区 具 有 足 够 的模 式区分 性 能 ， 同时划分 的模 式类 别又 能够覆盖 整 个 数据样 本 空 间 ， 并使其适应 自学 习模 式 识别算 法 的需 要 对 算法 进 行 改进 ， 提 出如 下修 正 的 聚 类 算法 给 定 控 制 参 数 为 期 望 得 到 的类 别 数 目 民为一 个 聚 合 中的标准偏 差参数 为允许 的 最 多迭 代 次数 给 定 个混 合 样 本 ， 令 预选 个起 始聚 合 中心乙切，’ ” ， ， ， 二 ， 计 算 出每 个样 本 与每 个 聚 合 中心 的距 离 ， 乌切 如 果 ， 汤切 ，乌切 ， 二 ， ，， 二 ， ， 产仁 才 则瓜任助 ， ， ， … ，。 ， 表 示 第 ‘ 个模 式类 别 把 全 部 样 本 划 分 到 个 聚 合 中 ， 令 表 示 各 个 子集不 的 样 本数 目 计 算新 的聚 合 中心 图 样 本数 据 示 意 图 · 汤切 一 籍 ‘ ， 一 ， ， ，… ，。 计 算类 内距 离平 均值瓦 收稿 日期 一 空 徐 正 光 男 ， 岁 ， 副 教授 国家 自然科学基金 资助 课题 。 一 韶、 脚 ，少 ， ，… ， · 计算类 内总 平 均距 离万 DOI ：10．13374／j ．issn1001－053x．2003．05．050