基于信息融合和多粒度級(jí)聯(lián)森林模型的挖掘機(jī)作業(yè)階段智能識(shí)別

蘇德贏， 王少杰， 卜祥建， 饒紅艷， 侯 亮

（廈門大學(xué) 薩本棟微米納米科學(xué)技術(shù)研究院， 福建 廈門 361102）

挖掘機(jī)的發(fā)動(dòng)機(jī)通常被設(shè)定為輕載、經(jīng)濟(jì)和重載3種工作模式，并在不同工作模式下設(shè)定不同的工作擋位。在挖溝、平地等不同作業(yè)工況下，挖掘機(jī)操作者根據(jù)經(jīng)驗(yàn)調(diào)整發(fā)動(dòng)機(jī)的工作模式和工作擋位，以實(shí)現(xiàn)挖掘機(jī)的節(jié)能控制[1]。這種節(jié)能方式較為粗放，存在盲目性，節(jié)能效果較差。若能根據(jù)挖掘機(jī)的實(shí)際作業(yè)階段來(lái)調(diào)節(jié)發(fā)動(dòng)機(jī)的工作點(diǎn)，使得工作系統(tǒng)實(shí)現(xiàn)“所需即所得”，將會(huì)帶來(lái)較好的節(jié)能效果。準(zhǔn)確、快速地識(shí)別挖掘機(jī)的作業(yè)階段是實(shí)現(xiàn)這種節(jié)能控制方式的前提。目前，針對(duì)挖掘機(jī)工作狀態(tài)智能識(shí)別的研究主要借助機(jī)器視覺(jué)和運(yùn)行數(shù)據(jù)分析。Bao等[2]采用決策樹方法分析挖掘機(jī)的空間運(yùn)動(dòng)學(xué)特征，成功實(shí)現(xiàn)了挖掘機(jī)工作狀態(tài)的識(shí)別，準(zhǔn)確率達(dá)到88.91%；Kim 等[3]基于機(jī)器視覺(jué)技術(shù)，分析了挖掘機(jī)與自卸卡車的交互操作，然而機(jī)器視覺(jué)檢測(cè)效果易受到物體遮擋、視角和尺度偏差等影響[4]，在挖掘機(jī)復(fù)雜、惡劣的作業(yè)環(huán)境下，機(jī)器視覺(jué)檢測(cè)可靠性較低；柳齊[5]利用挖掘機(jī)先導(dǎo)壓力和主泵出口壓力對(duì)挖掘機(jī)挖掘和平整2個(gè)工況進(jìn)行了識(shí)別，但是未進(jìn)行作業(yè)階段的識(shí)別；Ahn等[6]通過(guò)收集挖掘機(jī)在不同模式下的三軸加速度信號(hào)，識(shí)別了挖掘機(jī)的運(yùn)行模式。這些研究側(cè)重于挖掘機(jī)的運(yùn)行工況和工作模式，尚未涉及作業(yè)階段的智能識(shí)別。基于主泵壓力與作業(yè)階段的關(guān)系，馮培恩等[7]、黃杰等[8]和Shi 等[9]分別采用DAGSVM（directed acyclic graph support vector machine，有向無(wú)環(huán)圖支持向量機(jī)）、PCA-SVM（support vector machine based on principal component analysis，基于主成分分析的支持向量機(jī)）、LⅠBSVM（library for support vector machines，支持向量機(jī)庫(kù)）、BPNN（back propagation neural network，反向傳播神經(jīng)網(wǎng)絡(luò)）和LR（logistic regression，邏輯回歸）等機(jī)器學(xué)習(xí)方法對(duì)挖掘機(jī)作業(yè)階段進(jìn)行了識(shí)別，識(shí)別準(zhǔn)確率分別達(dá)到95.00%、89.36%、94.64%、89.64%和81.79%。Shi等[10]將先導(dǎo)壓力信號(hào)與LSTM （long short-term memory，長(zhǎng)短期記憶）模型結(jié)合，實(shí)現(xiàn)了挖掘機(jī)作業(yè)階段的識(shí)別，識(shí)別準(zhǔn)確率達(dá)到93.21%。在上述研究中，部分識(shí)別方法的識(shí)別準(zhǔn)確率已經(jīng)超過(guò)了90%，主要采用有限的運(yùn)行數(shù)據(jù)會(huì)導(dǎo)致數(shù)據(jù)信息不充分。主泵數(shù)據(jù)的識(shí)別方法存在時(shí)間延遲。基于先導(dǎo)信號(hào)的識(shí)別方法存在難以識(shí)別、操作手誤等問(wèn)題。這些不足都會(huì)降低作業(yè)階段智能識(shí)別方法的可靠性。

綜上所述，基于機(jī)器視覺(jué)和運(yùn)行數(shù)據(jù)的識(shí)別方法有其局限性，而且為了提高識(shí)別可靠性，需要增加數(shù)據(jù)信息。但過(guò)多的數(shù)據(jù)會(huì)造成信息冗余、識(shí)別成本提高以及識(shí)別效率降低等問(wèn)題[11]，因此需要選擇合適的方法進(jìn)行數(shù)據(jù)信息的融合。信息融合包括數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合[12]。深度森林模型又稱多粒度級(jí)聯(lián)森林模型，在處理高維數(shù)據(jù)時(shí)效率高、識(shí)別效果好，在識(shí)別問(wèn)題研究中被廣泛使用[13]。通過(guò)結(jié)合數(shù)據(jù)融合技術(shù)和多粒度級(jí)聯(lián)森林模型，可以從數(shù)據(jù)特征和識(shí)別模型2個(gè)方面有效避免挖掘機(jī)作業(yè)階段識(shí)別研究中數(shù)據(jù)冗余的問(wèn)題，提高挖掘機(jī)作業(yè)階段識(shí)別的可靠性。

本文提出了一種基于信息融合和多粒度級(jí)聯(lián)森林模型（information fusion and multi-granularity cascade forest model，ⅠFMCFM）的挖掘機(jī)作業(yè)階段智能識(shí)別方法。首先，根據(jù)挖掘機(jī)作業(yè)的特點(diǎn)，設(shè)計(jì)了挖掘機(jī)運(yùn)行數(shù)據(jù)采集試驗(yàn)，以獲取智能識(shí)別研究所需的數(shù)據(jù)；其次，介紹了信息融合技術(shù)和多粒度級(jí)聯(lián)森林模型的原理；最后，基于運(yùn)行數(shù)據(jù)開展了挖掘機(jī)作業(yè)階段的智能識(shí)別研究，并與其他識(shí)別方法進(jìn)行了對(duì)比分析。

1 挖掘機(jī)運(yùn)行數(shù)據(jù)采集與數(shù)據(jù)特征篩選

挖掘機(jī)運(yùn)行數(shù)據(jù)采集須符合GB/T 7586—2018《土方機(jī)械 液壓挖掘機(jī) 試驗(yàn)方法》的要求，試驗(yàn)場(chǎng)地為某挖掘機(jī)生產(chǎn)企業(yè)的標(biāo)準(zhǔn)試驗(yàn)場(chǎng)。樣機(jī)采用21噸級(jí)履帶式挖掘機(jī)，作業(yè)方式為90°甩方，作業(yè)對(duì)象為原生土。試驗(yàn)時(shí)分別由2名操作手在20 min內(nèi)操作50次，共采集100次循環(huán)作業(yè)數(shù)據(jù)。挖掘機(jī)運(yùn)行數(shù)據(jù)采集現(xiàn)場(chǎng)如圖1所示。試驗(yàn)中主要采集壓力、流量、角度和轉(zhuǎn)速等運(yùn)行數(shù)據(jù)，涉及主泵、液壓油缸、回轉(zhuǎn)馬達(dá)和發(fā)動(dòng)機(jī)等工作元件，共有25個(gè)采集通道。需采集的挖掘機(jī)運(yùn)行數(shù)據(jù)如表1所示。

表1 挖掘機(jī)的運(yùn)行數(shù)據(jù)信息Table 1 Operation data information of excavators

圖1 挖掘機(jī)運(yùn)行數(shù)據(jù)采集現(xiàn)場(chǎng)Fig.1 Experiment on data collection of excavator operation

在運(yùn)行數(shù)據(jù)采集過(guò)程中，由于試驗(yàn)環(huán)境的影響，試驗(yàn)數(shù)據(jù)可能會(huì)出現(xiàn)尖峰和雜波。對(duì)數(shù)據(jù)進(jìn)行加權(quán)均值濾波處理，以消除數(shù)據(jù)雜波的干擾。數(shù)據(jù)濾波前后主泵1 出口壓力和動(dòng)臂大腔壓力如圖2所示。

圖2 數(shù)據(jù)濾波前后主泵1出口壓力和動(dòng)臂大腔壓力Fig.2 Main pump outlet pressure and boom chamber pressure before and after data filtering

挖掘機(jī)作業(yè)劃分為挖掘、提升回轉(zhuǎn)、卸料、空斗返回和挖掘準(zhǔn)備等5個(gè)階段。各階段存在明顯的特點(diǎn)，例如挖掘、卸料階段和鏟斗相關(guān)，提升回轉(zhuǎn)和空斗返回階段僅有回轉(zhuǎn)馬達(dá)工作。根據(jù)這些特點(diǎn)對(duì)運(yùn)行數(shù)據(jù)進(jìn)行作業(yè)階段劃分，制作樣本標(biāo)簽。以主泵壓力和鏟斗油缸壓力為例，其在1個(gè)作業(yè)循環(huán)內(nèi)的劃分如圖3所示。

圖3 主泵壓力和鏟斗油缸壓力的劃分結(jié)果Fig.3 Division results of main pump 1 pressure and bucket cylinder pressure

完成運(yùn)行數(shù)據(jù)的劃分后，需要對(duì)每個(gè)作業(yè)階段的數(shù)據(jù)進(jìn)行時(shí)域特征提取。這些時(shí)域特征包括均值、峰值、峰-峰值、整流平均值、均方根值和標(biāo)準(zhǔn)差等。對(duì)每個(gè)通道的數(shù)據(jù)都計(jì)算6個(gè)特征值，初步特征集總計(jì)6×25=150維。本文采用隨機(jī)森林模型對(duì)初步特征進(jìn)行重要度評(píng)估，并選擇前9個(gè)重要特征進(jìn)行組合，構(gòu)建新的特征集。重要特征篩選結(jié)果如表2所示。在這9個(gè)特征中，動(dòng)臂先導(dǎo)壓力、斗桿小腔壓力、斗桿先導(dǎo)壓力和鏟斗先導(dǎo)壓力的相關(guān)特征占比較高，而其他特征與馬達(dá)流量和動(dòng)臂角度有關(guān)。這9個(gè)特征包含了更多的作業(yè)階段信息，使模型識(shí)別結(jié)果具有較強(qiáng)的可靠性。

表2 挖掘機(jī)運(yùn)行數(shù)據(jù)特征的篩選結(jié)果Table 2 Screening results of excavator operation data characteristics

2 挖掘機(jī)作業(yè)階段識(shí)別方法

2.1 信息融合技術(shù)

在多次加工和抽象的過(guò)程中，技術(shù)是基于多個(gè)信息源的信息融合是獲取更高層次信息的處理技術(shù)。它能夠整合不同類型的信息，實(shí)現(xiàn)對(duì)信息的深入挖掘和使用。其處理流程是多級(jí)的，每一級(jí)的處理都是對(duì)上一級(jí)信息進(jìn)行加工和轉(zhuǎn)化。在數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合的過(guò)程中，初始數(shù)據(jù)、數(shù)據(jù)特征和決策結(jié)果分別是整合對(duì)象。數(shù)據(jù)級(jí)融合是信息融合技術(shù)中最基本的融合方式，它將不同來(lái)源、同一類型的數(shù)據(jù)進(jìn)行簡(jiǎn)單融合，不對(duì)其進(jìn)行任何處理。數(shù)據(jù)級(jí)融合的優(yōu)點(diǎn)是可以獲取較為全面的信息，融合后的信息量較大；缺點(diǎn)是未經(jīng)處理的原始數(shù)據(jù)可能含有噪聲或冗余信息，對(duì)融合結(jié)果會(huì)產(chǎn)生不良影響，且在合并大量數(shù)據(jù)時(shí)耗時(shí)較長(zhǎng)。特征級(jí)融合屬于第2層次的融合，即對(duì)初始數(shù)據(jù)進(jìn)行特征提取，提取出的特征直接或經(jīng)過(guò)篩選后構(gòu)成新的特征向量。特征級(jí)融合突破了數(shù)據(jù)級(jí)融合的信息必須為同一類型數(shù)據(jù)的限制，并實(shí)現(xiàn)了信號(hào)壓縮，從而方便傳輸和處理。決策級(jí)融合則對(duì)每個(gè)初始數(shù)據(jù)進(jìn)行特征提取、識(shí)別和決策，將不同的決策結(jié)果進(jìn)行融合并形成最終的決策向量。相比于數(shù)據(jù)級(jí)融合和特征級(jí)融合，決策級(jí)融合的抗干擾能力更強(qiáng)，分類效果更加精確。

本文通過(guò)信息融合技術(shù)來(lái)實(shí)現(xiàn)挖掘機(jī)運(yùn)行數(shù)據(jù)的融合。通過(guò)融合分類器的決策結(jié)果和篩選后的數(shù)據(jù)特征來(lái)形成新的特征向量。其融合過(guò)程如圖4所示。

圖4 挖掘機(jī)運(yùn)行數(shù)據(jù)融合過(guò)程Fig.4 Process of data fusion for excavator operation

在挖掘機(jī)運(yùn)行數(shù)據(jù)融合中，分類器分別采用隨機(jī)森林、多層感知器、SVM和K近鄰算法。各分類器的工作原理如下。

1）隨機(jī)森林。

隨機(jī)森林是一種集成學(xué)習(xí)方法，通過(guò)多個(gè)決策樹投票或平均的方式來(lái)進(jìn)行預(yù)測(cè)。隨機(jī)選擇數(shù)據(jù)集的一部分和特征的子集，并根據(jù)這個(gè)數(shù)據(jù)集和子集構(gòu)建一棵決策樹；之后，通過(guò)投票的結(jié)果來(lái)進(jìn)行分類預(yù)測(cè)。

2）多層感知器。

多層感知器是一種人工神經(jīng)網(wǎng)絡(luò)，由多個(gè)神經(jīng)元層組成，每個(gè)神經(jīng)元層都與前一層的神經(jīng)元相連接。它包括輸入層、隱藏層和輸出層，信息從輸入層傳遞到隱藏層，然后再傳遞到輸出層。在每個(gè)神經(jīng)元層中，輸入被加權(quán)并傳遞給激活函數(shù)，以產(chǎn)生輸出。通過(guò)反向傳播算法，多層感知器調(diào)整權(quán)重，以最小化預(yù)測(cè)誤差。

3）SVM。

SVM是一種監(jiān)督學(xué)習(xí)算法，用于分類和回歸任務(wù)。其目標(biāo)是找到一個(gè)最優(yōu)的超平面，以最大化2個(gè)不同類別數(shù)據(jù)點(diǎn)之間的間隔。SVM通過(guò)將數(shù)據(jù)映射到高維空間來(lái)實(shí)現(xiàn)非線性分類，然后在該空間中找到最佳的分割超平面。支持向量是距離分割超平面最近的數(shù)據(jù)點(diǎn)，它們決定了超平面的位置。

4）K近鄰算法。

K近鄰算法是一種基于實(shí)例的學(xué)習(xí)方法，根據(jù)樣本的相似性進(jìn)行分類或回歸。它基于一個(gè)簡(jiǎn)單的思想，即將與新樣本最相似的K個(gè)訓(xùn)練樣本的標(biāo)簽用于預(yù)測(cè)新樣本的標(biāo)簽。對(duì)于分類，K近鄰模型計(jì)算新樣本與訓(xùn)練數(shù)據(jù)中所有樣本的距離，然后選擇與新樣本距離最近的K個(gè)樣本，最終的分類結(jié)果是這K個(gè)樣本中最常見的類別；對(duì)于回歸，取K個(gè)最近樣本的平均值作為預(yù)測(cè)結(jié)果。

以挖掘機(jī)運(yùn)行數(shù)據(jù)特征作為輸入，分別對(duì)上述4種分類器進(jìn)行訓(xùn)練，獲得4個(gè)模型的決策結(jié)果，即挖掘機(jī)5個(gè)作業(yè)階段的類別概率向量，總計(jì)4×5=20個(gè)。將類別概率向量與通過(guò)隨機(jī)森林模型篩選得到的9個(gè)挖掘機(jī)運(yùn)行數(shù)據(jù)特征進(jìn)行拼接，得到29維的預(yù)測(cè)特征向量，將它作為多粒度級(jí)聯(lián)森林模型的輸入。

2.2 多粒度級(jí)聯(lián)森林模型原理

多粒度級(jí)聯(lián)森林模型由多粒度掃描結(jié)構(gòu)和級(jí)聯(lián)森林結(jié)構(gòu)組成，是一種不同于深度神經(jīng)網(wǎng)絡(luò)的深度模型，具有參數(shù)量較少、訓(xùn)練難度低、數(shù)據(jù)需求量小等優(yōu)點(diǎn)。多粒度級(jí)聯(lián)森林模型原理如圖5 所示。多粒度掃描結(jié)構(gòu)采用類似卷積神經(jīng)網(wǎng)絡(luò)的若干個(gè)滑動(dòng)窗口進(jìn)行滑動(dòng)采樣[14]，可以獲得多個(gè)相互聯(lián)系又具有差異性的子樣本；采用隨機(jī)森林和完全隨機(jī)森林分類器對(duì)子樣本進(jìn)行訓(xùn)練，得到類別概率向量，類別概率向量與運(yùn)行數(shù)據(jù)特征拼接，形成最終的轉(zhuǎn)換特征。例如：對(duì)t維的原始數(shù)據(jù)特征向量用寬度為w維、步長(zhǎng)為s的滑動(dòng)窗口進(jìn)行特征子樣本的劃分和獲取；通過(guò)隨機(jī)森林和完全隨機(jī)森林分類器對(duì)每個(gè)特征子樣本進(jìn)行訓(xùn)練，每個(gè)分類器訓(xùn)練后得到一個(gè)c維的類別概率向量，共獲得個(gè)類別概率向量；將類別概率向量拼接，即可以獲得維的拼接特征向量。

圖5 多粒度級(jí)聯(lián)森林模型原理Fig.5 Principle of multi-granularity cascade forest model

多粒度級(jí)聯(lián)森林模型采用與深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNNs）類似的層級(jí)結(jié)構(gòu)，即級(jí)聯(lián)森林結(jié)構(gòu)，其中每級(jí)的輸入都包含了上一級(jí)隨機(jī)森林模型的輸出。級(jí)聯(lián)森林結(jié)構(gòu)的初始輸入特征為經(jīng)多粒度掃描得到的拼接特征，拼接特征將與每一級(jí)隨機(jī)森林模型的輸出進(jìn)行二次拼接，二次拼接后的特征將作為下一級(jí)隨機(jī)森林模型的輸入，逐級(jí)傳遞，最終獲得預(yù)測(cè)結(jié)果。級(jí)聯(lián)森林結(jié)構(gòu)的每一級(jí)包含若干個(gè)隨機(jī)森林和完全隨機(jī)森林分類器[15]，每級(jí)2種不同的森林分類器增強(qiáng)了模型集成的多樣性，可以充分利用特征的差異來(lái)更好地表征特征信息。

3 實(shí) 驗(yàn)

3.1 模型訓(xùn)練結(jié)果

挖掘機(jī)9個(gè)重要運(yùn)行數(shù)據(jù)特征對(duì)應(yīng)的原始數(shù)據(jù)如圖6 所示。共包括6 個(gè)通道的數(shù)據(jù)，相比于原有的25 個(gè)通道有很大的降低。如前所述，將特征信息篩選和融合后獲得的29 維拼接特征向量輸入多粒度級(jí)聯(lián)森林模型，開展挖掘機(jī)作業(yè)階段的智能識(shí)別。

圖6 挖掘機(jī)9個(gè)重要運(yùn)行數(shù)據(jù)特征對(duì)應(yīng)的原始數(shù)據(jù)Fig.6 Original data corresponding to 9 important operational data features of excavators

多粒度級(jí)聯(lián)森林模型的訓(xùn)練過(guò)程如下：將29維預(yù)測(cè)特征向量輸入多粒度掃描結(jié)構(gòu)，拼接形成一個(gè)維新特征向量，并將它輸入級(jí)聯(lián)森林結(jié)構(gòu)，與每一級(jí)森林模型輸出的類別概率向量進(jìn)行拼接；以此類推，上一級(jí)的輸出與該特征拼接后作為下一級(jí)的輸入，將最后一層輸出的最大值作為最終的預(yù)測(cè)結(jié)果。為了減弱過(guò)擬合現(xiàn)象，每個(gè)隨機(jī)森林模型都采用五折交叉驗(yàn)證。當(dāng)驗(yàn)證集的準(zhǔn)確率不再提升時(shí)，模型停止訓(xùn)練。多粒度級(jí)聯(lián)森林模型的參數(shù)設(shè)置如表3所示。不同的滑動(dòng)窗口和步長(zhǎng)可以從輸入數(shù)據(jù)中提取多尺度的特征信息。步長(zhǎng)越小，樣本集的多樣性越高，模型的泛化能力也就越強(qiáng)。

表3 多粒度級(jí)聯(lián)森林模型的參數(shù)Table 3 Parameters of multi-granularity cascade forest model

共采用140個(gè)數(shù)據(jù)集樣本，將訓(xùn)練集的比例分別設(shè)定為80%，60%，40%，20%和10%，進(jìn)行挖掘機(jī)作業(yè)階段智能識(shí)別。不同訓(xùn)練集比例下的識(shí)別結(jié)果如表4所示。由表可知：隨著訓(xùn)練集比例的提高，模型的識(shí)別效果越來(lái)越好；當(dāng)訓(xùn)練集的比例為80%時(shí)，準(zhǔn)確率、召回率和F1值（精確度和召回率的調(diào)和平均數(shù)）分別為95.00%，95.17%和95.02%，模型識(shí)別效果最好。

表4 不同訓(xùn)練集比例下挖掘機(jī)作業(yè)階段的識(shí)別結(jié)果Table 4 Recognition results of excavator operation stages under different training set proportions%

基于前述分析，選取80%的樣本作為訓(xùn)練集，20%的樣本作為測(cè)試集，對(duì)模型的性能進(jìn)行評(píng)估。模型對(duì)挖掘機(jī)不同作業(yè)階段的識(shí)別結(jié)果如表5所示。由表可知：模型對(duì)挖掘準(zhǔn)備階段的識(shí)別效果最佳，其準(zhǔn)確率達(dá)到了100%，F(xiàn)1值也較高，識(shí)別結(jié)果更為可靠；在提升回轉(zhuǎn)階段，準(zhǔn)確率僅為90%，識(shí)別效果最差。

表5 IFMCFM模型的識(shí)別結(jié)果Table 5 Ⅰdentification results of ⅠFMCFM model%

3.2 不同方法對(duì)比

在相同的數(shù)據(jù)樣本下，將ⅠFMCFM模型對(duì)挖掘機(jī)不同作業(yè)階段的識(shí)別結(jié)果與DAGSVM[7]、PCASVM[8]、LⅠBSVM[9]、LSTM[10]模型進(jìn)行對(duì)比，結(jié)果如表6 所示。由表可知：相較于其他識(shí)別模型，ⅠFMCFM 模型表現(xiàn)出更加穩(wěn)定的識(shí)別結(jié)果，5 個(gè)作業(yè)階段的評(píng)價(jià)指標(biāo)值較接近，其整體性能最佳；LⅠBSVM在挖掘、提升回轉(zhuǎn)和挖掘準(zhǔn)備階段表現(xiàn)優(yōu)秀，各項(xiàng)評(píng)價(jià)指標(biāo)值較高；DAGSVM 的識(shí)別效果僅次于ⅠFMCFM模型；PCA-SVM的識(shí)別效果較差，各項(xiàng)評(píng)價(jià)指標(biāo)均明顯低于其他模型。

表6 各模型的識(shí)別結(jié)果Table 6 Ⅰdentification results of each model%

4 結(jié) 論

本文基于信息融合技術(shù)和多粒度級(jí)聯(lián)森林模型開展挖掘機(jī)作業(yè)階段的智能識(shí)別研究，以解決現(xiàn)有識(shí)別方法可靠性低的問(wèn)題。獲得以下研究結(jié)論：

1）基于信息融合技術(shù)，通過(guò)多種分類器獲得挖掘機(jī)作業(yè)階段智能識(shí)別的類別概率向量和高重要度特征，并將兩者拼接，形成新的識(shí)別特征，有效避免了數(shù)據(jù)冗余的問(wèn)題。

2）對(duì)ⅠFMCFM 進(jìn)行訓(xùn)練和測(cè)試，當(dāng)訓(xùn)練集比例為80%時(shí)，模型識(shí)別的準(zhǔn)確率、召回率和F1指標(biāo)分別為95.00%，95.17%和95.02%，識(shí)別效果較優(yōu)。

3）相比于其他識(shí)別模型，ⅠFMCFM 的識(shí)別準(zhǔn)確性和可靠性最高。