Vol.24 李擎等：一种新的加热炉状态识别算法 .365. 此时指标集Z={1,2,3,4,5},则M={M,M2,M,M, M},如图2所示.这样，经过A分类准则和B分 类准则2次划分后得到的子类M,(iEK,jEL)其 实就是C分类准则下的新类（为了和4分类准则 下划分出的类区分开来，故称之为新类) M(iEZ).实际上，新类M(ieZ)就是子类 M(iEK,jEL)的重新组合， 图4与各新类中心点向量的距离 Fig.4 Distance between Xand the central vector of each new-class. M 即可判定X属于第2类.此时识别结果是正确的. 鉴于此，本文提出了一种改进的最小距离 法.设用分类规则A分出的类为M,即MF{M}K 图2子类转化为新类示意图 当M(iE)中的数据不满足类内距离小、类间距 Fig.2 Transform from subclass to new-class 离较大这个前提条件时，可按某种分类方法B划 分出各类数据的子类M,(iEK,jEL).如果分类方 2最小距离法存在的问题及改进 法B能保证分出的各子类数据满足子类内距离 本文采用最小距离法进行状态识别，其 小、子类间距离较大的前提条件，则可以利用分 基本思想是：设法求出各类数据M的中心点 类方法C(C=AnB)将M仲的数据重新分类，新的 向量W(i=1~c,c为状态类别数)，对待识别样本 类号记为M(ieZ).实际上，M(iEZ)完全可以通 X,分别求出它与W,之间的距离：d=x-W 过把M(iEK∈L)按某种对应关系进行组合而 [Σ(x4-w],若d,=minX-W,则把X归为第j类. 得到，此时M仁{M}ea.求出各新类数据的中心 点向量W(iEZ).对待识别样本X,分别求出它与 应用上述方法一个前提条件是：同一类别 W(iZ)之间的距离d"(ieZ).若dmin{d,则把 样本在特征空间中聚集在一起，而不同的样本 则相离得比较远.即类内距离较小，类间距离较 归为第个新类.然后再根据新类与类的对应 大.如果不满足上述条件，应用最小距离法将发 关系，确定X所属的类， 利用上述识别思想进行状态识别时，尚有 生错误.以图3为例进行说明（和图1进行配 两个问题需要事先解决：(1)如何确定分类准则 合)：按A类规则对M进行分类，{M,M,M}, 设3类中心点向量分别为W,W,W;待识别样本 B,以保证各子类数据满足前提条件；(2)如何确 与W,之间的距离为d,d,d.很显然应将X归为第 定各新类数据的中心点向量W(EZ) 3类，而实际上X属于第2类，识别发生错误. 3实现改进最小距离法的人工神经 如果利用C(C=AnB)分类准则将M重新分 类，则{M,MM,M,M},待识别样本X与 网络模型及算法 W(=15)之间的距离分别为d'(=1-5).由图4可 3.1神经网络模型 以看出：d2min(d,d,d,d,d),所以将X归为新 用于状态识别的人工神经网络由2层节点 类中的第2类.根据新类和类之间的对应关系， 组成.如图5所示：第1层节点接收输人向量X= (xo,x,…xm-)(m为特征量个数)，并把输入向量的 各个分量作归一化处理.第2层中每1个节点 y00-n)表示1个新类，2层间的节点是完全互 连的，连接权值记作W,输出层中第了个节点对 应的权向量记为W(w,w,,州-). 3.2UR&SAL算法 状态识别用神经网络所采用的学习算法为 图3与各类中心点向量的距离 Fig.3 Distance between and the central vector of each class UR&SAL算法，该算法的具体步骤如下：、 b l . 2 4 李擎等 : 一种 新的加 热炉 状态识 别算法 此 时指标集吞 { 1 , 2 , 3 , 4 , 5 } , 则人介 {尸 , , 斌 , 斌 , .yM , 人少飞} , 如图 2 所示 . 这样 , 经过 A分类准则 和B分 类准则 2 次划 分后得 到的子类城l’( 任 v’K 任L,) 其 实就是 C分类 准则下 的新类 (为了和 A分类准则 下 划 分 出 的 类 区 分 开 来 , 故 称 之 为 新 类 ) 斌i( 任乃 . 实 际 上 , 新 类斌i( E 幻 就 是 子 类 城 i( 任 K’J 任 L,) 的重新组合 . 丈一兰岁 ④ 义一竺夕 皿 ha 图 4 与各新类 中心点 向 , 的距 离 Fig · 4 Dis t a n e e b e七钾 e e n X a n d th e 忱 n t r a l v e ct o r o f ae e h n e w 一 Cl a胎 . 图 2 子 类转化为新 类示 意 图 F ig . 2 竹 a n s fo r m fr o m s u b e l a s s t o n we , c l a s s 2 最小距离法存在的问题及改进12 本 文 采用 最小 距 离 法 进行 状 态识 别 , 其 基本思 想是 : 设法 求 出各类数 据从 的 中心 点 向量 不(卜 1一c, 。 为状态类 别数 ) , 对待识 别样本 x , 分 别求 出 它 与 班 之 间 的 距 离 汉:l 跨班胎 〔艺(x^ 一 w 泪 ’ 2/ ,若铸=nI inI 跨 班}I ,则 把尤归 为第j 类 . 应用 上 述方法一 个前提条件是 : 同一 类别 样本在特征空 间 中聚集在一起 , 而 不同的样本 则相离得 比较远 . 即类 内距离较小 , 类 间距离较 大 . 如果不满足 上述条件 , 应用最小距离法将发 生 错误 . 以 图 3 为例进行说 明 (和 图 1 进行配 合 ) : 按 A类规则对 材进行分类 j 卜 {肠 ,城 ,从 } , 设 3 类 中心 点向量分别为 不 , 矶 , 琪 ; 待识别样本 与 班之间 的距离为 d . 燕 ,话 . 很显然应将多归为第 3 类 , 而 实际上 训 $ 属于 第 2 类 , 识别发 生错误 . 如 果利 用 (C C = 月n )B 分类 准则将 M 重新 分 类 , 则几子 二 (材 , , 斌斌 ,材、 , 斌} , 待识 别样本尤与 砰仪拼 l 一 5) 之 间的距离分别为试(扮卜 5 ) . 由图 4 可 以看 出 : d兮 二 m in (了 , ,叭 , 叭 ,武 ,叭) , 所以 将尤归 为新 类 中的第 2 类 . 根据新类和 类之间的对应关 系 , 即可判定万属于 第 2 类 . 此时识别结果是正 确的 , 鉴于此 , 本文提 出了一种 改进 的最 小距 离 法 . 设用分类规则A 分出的类为从 , 即 几卜 二 {似 } , 。 当脱 ( i任劝 中的数据不 满足类 内距离小 、 类间距 离较大这个前提条件时 , 可按某种分类方法B 划 分 出各类数据的子类城i( 任 ’uK 任 L,) . 如果分类 方 法 B能保证 分出的各子类数据满足子类 内距 离 小 、 子类间距离较大的前提条件 , 则可 以利用 分 类方法 (C 〔片汉n )B 将刀中的数据重新分类 , 新 的 类 号记 为斌(汇幻 . 实际上 , 斌i( 任幻完全 可以 通 过 把城i( 任 ’aK 任 L,) 按 某种对 应关 系进行组合 而 得 到 , 此 时人仁 {斌 } (二。 . 求 出各新类数据 的中心 点向量 环代( ie 幻 . 对待识 别样本X , 分别求 出它与 邢:i( 任幻之 间的距离武(汇幻 . 若 d :劝in{ 试 } ,则 把 J 归为第Z个新类 . 然后再根据新类 与类 的对应 关 系 , 确定工所属 的类 . 利 用上述识 别思想 进行 状态识别时 , 尚有 两个 问 题需要事先解决 : ( l )如何确定分 类准则 B , 以保 证各子类数据满足前提条件 ; ( 2) 如何确 定各新 类数据的 中心 点 向量 砰方e 幻 . 图 3 与 各类中 心点 向 , 的距离 Fi乡 3 Di s at n c e b eWt e e n a n d t h e e e n t r a I v e e t0 r 0 f e a c b c l a s s 3 实现改进最小距离法的人工神经 网络模型及算法 .3 1 神经网络模型 l3,4 用于状 态识 别的人 工神经 网 络由 2层节点 组成 . 如图 5所示 : 第 l层节点接收输人向量 X 二 x(0 内 , …凡 一 , ) ( 。 为特征量个数 ) , 并把输入 向量 的 各个分量作归一化处理 . 第 2 层 中每 l 个节点 yj 心二 0一 n) 表示 1 个新类 , 2 层 间的节点是完全互 连的 , 连接权值记作 巩 ,输 出层中第 j 个节点对 应 的权 向量记为 牙片(wj0 , w/ , , … , wj, , 一 : .) 3 . 2 U R & S A L 算法 俘, 状态识别用神经 网络所采用的学习算法 为 U R& S A L 算法 , 该算法 的具体步骤如下 :