DDAG雙支持向量機在ERT系統流型識別中的應用研究

張 華

(吉林建筑大學城建學院 計算機科學與工程系，長春 130011)

DDAG雙支持向量機在ERT系統流型識別中的應用研究

張 華

(吉林建筑大學城建學院 計算機科學與工程系，長春 130011)

兩相流體具有復雜的流動特性，流型的準確識別是兩相流參數準確測量的基礎。針對電阻層析成像(ERT)系統和油/水兩相流的流型，先用小波包分析提取ERT系統測量的壓差波動信號的特征，然后將特征數據輸入構造好的DDAG雙支持向量機多類分模型進行識別。仿真實驗結果對比證明，DDAG雙支持向量機是一種兼顧效率和準確性的流型識別方法。

電阻層析成像；流型識別；小波包；DDAG雙支持向量機

0 引言

兩相流在化工、石油、冶金等行業普遍存在，其流型對相關工業的安全與自動化生產、管路系統的設計與運行有著重要影響,因此兩相流流型識別具有重要意義。雙支持向量機將經典支持向量機的二次優化問題分解成較小的兩個二次優化，不僅降低了時間復雜度，而且克服了樣本不平衡問題。本文以ERT系統和油/水兩相流的四種常見流型為研究基礎，首先對ERT系統測量的壓差波動信號采用小波包分解進行特征提取，然后用雙支持向量機構造DDAG多類分模型，最后向分類模型輸入特征數據識別流型。

1 ERT系統結構和工作方式

ERT系統即電阻層析成像系統，主要組成部分是電阻傳感器陣列、數據采集系統、圖像重建計算機[1]。它的系統結構如圖1所示。ERT系統通常采用電流激勵、電壓測量的工作方式。本文使用12電極的電阻傳感器陣列采集電導率波動信號，采用相鄰電極的激勵模式，所以一幅圖像采集到的測量數據是12×(12-3)=108個。系統工作方式如圖2所示。

圖1 電阻層析成像系統結構圖

圖2 系統工作方式圖

2 基于小波包分解的特征提取

2.1 小波包分解原理

小波包分解是一種提取非平穩信號特征的較好工具，它為信號分解提供了一種更加精密的方法。它將頻帶進行多層次劃分，進一步分解了多分辨率分析沒有仔細劃分的高頻部分，并能夠自動根據被分析信號的特征，選擇與信號頻譜相匹配的頻帶，從而使時頻分辨率得以進一步提高[2]。

2.2 特征提取過程

(1)對輸入信號S進行三層小波包分解，分解過程中使用db6小波濾波器，選取shanon熵值。最后提取第三層中8個涵蓋低頻到高頻成分的信號特征[3]。

3 建立DDAG雙支持向量機多類分類模型

3.1 雙支持向量機原理

支持向量機是適于小樣本學習的學習算法[4]。雙支持向量機TSVM由Jayadeva等人提出，原理是把經典SVM中的一個二次優化問題轉化為兩個規模較小的二次優化問題，得到兩個不平行的分類超平面，每類一個。雙支持向量機求解以下二次優化問題[5]：

min

s.t.-(K(B,C')w(1)+e2b(1))+q≥e2

q>=0，

(1)

min

s.t.-(K(A,C′)w(2)+e1b(2))+q≥e1

q>=0，

(2)

求解(1)(2)兩式，得到兩個超平面如下所示：

K(x′,C′)w(1)+b(1)=0

K(x′,C′)w(2)+b(2)=0。

(3)

3.2 建立DDAG雙支持向量機多類分類模型

支持向量機是解決二類分類問題的，而實際中常常是多類分類問題[6]。常見的多類分類策略有一對一方法、一對多方法和DDAG方法[7]，其中一對一和一對多方法存在不可分區域。DDAG方法在訓練階段先向SVM中輸入已知類別樣本，訓練出K(K-1)/2個(K是類別個數)兩類SVM分類器，再將這些兩類SVM分類器構建成一個二叉樹有向無環圖。在分類階段，對未知樣本X，從二叉樹根節點開始，依據SVM決策函數的值決定下一步向左走還是向右走。依次類推，直到達到某個葉子結點，此葉子節點的類別就是未知樣本X的類別。但是二叉樹拓撲結構存在誤差累積問題[8]，即在根節點產生的分類錯誤會直接影響以下每一層的分類結果。解決誤差累積問題方法是，通過計算兩類間不可分離程度公式選取最易分離兩類的SVM作為根節點，以保證根節點選取的正確性[9]。

構造DDAG雙支持向量機多類分類模型分兩個階段進行，分別是訓練階段和測試階段。

訓練階段：針對ERT系統中的四種流型，根據DDAGTSVM策略需要訓練4*(4-1)/2=6個TSVM兩類分類器。構造區分1、2類的TSVM12時，將屬于第1類的樣本標記為正類，屬于第2類的樣本標記為負類，訓練TSVM12，得到兩個不平行的超平面H1和T1,H1為第1類的超平面,T1為第2類的超平面。以此類推，分別構造區分1、3類的TSVM13，區分1、4類的TSVM14，區分2、3類的TSVM23，區分2、4類的TSVM24，區分1、4類的TSVM14，分別得到兩個不平行的超平面。然后，根據兩類間不可分離程度公式計算每組兩類流型的不可分離值。選擇值最小的，即最易分的兩類流型(假設為1和2)作為二叉樹根節點TSVM要區分的兩類。根據值的大小，確定二叉樹拓撲結構的每一層的根節點，最終構造出如圖3所示的DDAGTSVM多類分類器。

測試階段步驟如下：

第一步：設給定的訓練集為{(x1,y1),(x2,y2),...,(xl,yl)}， l表示用l組樣本進行訓練。其中xi∈Rn,yi∈{1,2,3,4}，i=1,2,...,l。

第二步：計算未知樣本X到H1和T1的距離，如果X到H1的距離小于X到T1的距離，則X不屬于2類，下一步走向左節點，左節點剩余類別為(1，3，4)；反之如果X到H1的距離大于X到T1的距離，則X不屬于1類，下一步走向右節點，右節點剩余類別為(2，3，4)。

第三步：在某個非葉節點的剩余類別中，重復第二步，直到到達葉子節點，此節點所對應的類別就是未知樣本X所屬的類別。

圖3 DDAGTSVM多類分類模型

4 實驗過程和識別結果分析

表1 實驗結果統計分析

5 結論

本文提出在ERT系統流型識別中利用DDAG雙支持向量機構造多類分類模型。MATLAB仿真實驗結果證明在特征提取方式一樣的情況下， DDAG雙支持向量機多類分類模型的識別準確率和訓練時間要優于其他三種分類模型，是一種較好的流型識別方法。

[1] DICKIN F J, WANG M. Electrical Resistance Tomography for Process Application[J]. Measurement Science and Technology，1996, 7( 3):247-260.

[2] ELPERIN T，KLOCHKO M．Flow Regime Identification in a Two-Phase Flow Using Wavelet Transform[J]．Springer-Verlag，2002(32):674-682．

[3] WU M M，DONG F，QI G H．Feature Extraction Method for Gas/Liquid Two-Phase Flow Based on Wavelets Transform[C]．5th International Conference on Machine Learning and Cybernetics,Dalian:IEEE,2006：1422-1427．

[4] 邊肇祺， 張學工. 模式識別[M].北京：清華大學出版社, 2000.

[5] 謝娟英，張兵權，汪萬紫.基于雙支持向量機的偏二叉樹多類分類算法[J].南京大學學報(自然科學版),2011,47(4):354-363.

[6] Guo-hua Qi, Feng Dong, Yan-bin Xu, et al. Gas/Liquid Two-Phase Flow Regime Identification In Horizontal Pipe Using Support Vector Machines[C]. Proceedings of the Fourth International Conference on Machine Learing and Cybernetics,Guangzhou:IEEE,2005: 1746-1751.

[7] 余輝,趙輝.支持向量機多類分類算法新研究[J].計算機工程與應用,2008,44(7):185-189.

[8] 趙亮.一種改進的基于支持向量機的多類分類方法[J].計算機應用與軟件,2014,31(12):233-236.

[9] 熊忠陽,陳玲,張玉芳.一種改進的DDAGSVM多類分類方法[J].計算機系統應用,2010,19(12):219-222.

責任編輯：程艷艷

Research on the Application of DDAG Bi-support Vector Machine in Flow Regime Identification of Electrical Resistance Tomography System

ZHANG Hua

(Department of Computer Science and Engineeing, City College of Jilin Jianzhu University, Changchun 130011, China)

Two-phase fluid has complex flow characteristics.The exact identification of flow regime is the foundation for measuring two-phase flow’s parameter accurately. According to electrical resistance tomography(ERT)system and flow regime of oil-water two-phase flow, wavelet packet analysis is adopted to extract the features of the differential pressure fluctuation signal measured by ERT system, then the extracted feature data is input to the prepared DDAG bi- support vector machine to carry out multi-class identification. Experimental results showed that the DDAG bi-support vector machine is an effective and accurate method of regime identification.

ERT; flow regime identification; wavelet packet; DDAG bi-support vector machine

2016-10-16

張華(1980-)，女，吉林龍井人，講師，碩士，主要從事圖像處理與模式識別方面研究。

TP391.4

A

1009-3907(2016)12-0033-04