基于LSSVM氧乙炔火焰图像分类研究.docVIP

基于LSSVM氧乙炔火焰图像分类研究 　　摘 要:氧乙炔火焰在工业生产中应用广泛,其燃烧性能是一个关乎生产效益、安全生产和环境保护的重要因素。利用图像处理技术和模式识别算法,研究氧乙炔火焰图像与其燃烧性能之间的关系,确定基于火焰图像的火焰燃烧性能评价标准,将有助于提高实际生产过程中燃烧控制的自动化程度与燃烧性能检测的精度。本文提取了火焰图像的11种特征值作为样本,应用最小二乘支持向量机((Least Squares-Support Veotor Maohine,LS-SVM)算法,实现了对四种氧乙炔火焰图像的分类识别。通过与BP神经网络和标准SVM算法的对比实验,LS-SVM在处理速度和分类精度方面有显著优越性。 　　关键词:氧乙炔火焰 LS-SVM 图像处理 分类 　　中图分类号:TP75 文献标识码:A 文章编号:1007-9416(2010)11-0042-02 　　 　　1 引言 　　由于氧乙炔火焰在工业生产中应用广泛,其燃烧状态的自动监测和燃烧过程的自动控制日益为人们所重视[1]。不同类型的氧乙炔火焰在工业生产中的应用场合不同,为了实现对各种氧乙炔火焰的监测,运用数字图像处理技术,通过火焰图像的颜色、形状和位置特征等来判断氧乙炔火焰燃烧状态,找到火焰图像与燃烧性能之间的关系,这将有助于提高生产实际中燃烧性能的自动控制和检测精度[2-3]。在针对数字图像的分类识别研究中,标准SVM算法和BP神经网络应用较为普遍,但它们在需要样本数量、识别精度、训练时间等方面还存在不足。由于LS-SVM的简单性和有效性,使其在模式识别中体现出来在速度和精度方面的优势[4]。本文采用LS-SVM算法对氧乙炔火焰图像的进行分类识别。 　　 　　2 氧乙炔火焰分类 　　乙炔与氧气混合燃烧的火焰称为氧乙炔火焰。通常由焰心、内焰和外焰三部分组成。根据混合气中氧气和乙炔气的不同比值,火焰具有不同的性质。通常分成中性焰(亦称正常焰)、碳化焰(亦称还原焰)和氧化焰三种。乙炔焰和氧乙炔火焰如图1所示。下面对四种火焰分别加以介绍。 　　(1)乙炔焰,火焰形状不规则,边缘不整齐。呈现的颜色是红黄色,会产生大量黑烟灰。(2)碳化焰,氧气与乙炔的比值小于1(0.85～0.95)时,得到的火焰称为碳化焰。(3)中性焰,氧气与乙炔的混合比为1～1.2时,得到的火焰称为中性焰。(4)氧化焰,氧气和乙炔的比值大于1.2(1.3～1.7),得到的火焰称为氧化焰。 　　3 支持向量机 　　SVM算法的研究初衷是解决两类分类问题。基本原理是通过核函数代替特征映射,将低维不可分数据映射到高维空间,并构造一个分类面将两类样本线性分开,在正确构造分类面的同时使两类样本点间的间隔最大,从而保证了最佳的泛化性能[5]。如图2所示。 　　假设N个样本线性可分的训练数据构成样本集,其中是第i个训练样本,,是相应的类别号(+1或-1)。定义n维空间中的线性判别函数为, 　　其中,和就是控制函数的参数,可称为n维矢量空间中的一个超平面,也即分类面。相应构造分类面方程为。最终决策规则为。为了将样本分成正负两类,调整参数和的值将判别函数归一化,最后使得所有训练样本都满足 　　两类间的分类间隔为,为了达到分类间隔最大化的目的,要求最小,这样最优分类面的问题转换成二次优化问题, 　　再引入拉格朗日因子,并将原始优化问题对偶化,形式也就相应变为了 　　由此求得后也就可以获得最终的分类器, 　　当(4)中的约束条件取等号时,才能取非零值,此时所对应的样本的输入矢量成为支持向量。因此(5)中的求和只需对支持向量进行,分类面方程也完全由支持向量决定。 　　以上考虑的仅是线性可分的情况,但在实际应用中,样本向量集在低维空间往往非线性不可分。为了解决这一问题,SVM又引入了核函数K的概念。基本思想是将数据从低维空间映射到高维空间。使得在原始空间无法线性分开的数据在高维空间中能够被线性分隔,。同时核函数通过原始空间中数据的简单计算代替了高维空间复杂的内积运算,具体说来就是, 　　采用不同的核函数将导致不同的支持向量机算法。目前研究最多的核函数主要有四类,线性核、多项式核函数、径向基函数(RBF)、采用Sigmoid函数作为内积核,它们分别如公式(7)、(8)、(9)和(10)所示。 　　随着统计学习理论的不断深入研究,Suykens等提出了基于标准SVM模型的改进算法-最小二乘支持向量机(LS-SVM),其核心思想就是用等式约束替换标准SVM算法当中的不等式约束,使二次规划问题转换成了求解线性方程组,采用误差的二次项代替经典SVM算法优化问题中的松弛因子对结构风险的控制[6]。LS-SVM约束条件变为等式, 　　其对偶问题的拉格朗日多项式为, 　　条件优化后可以写成以