DDAG双支持向量机在ERT系统流型识别中的应用研究

张 华

(吉林建筑大学城建学院 计算机科学与工程系，长春 130011)

DDAG双支持向量机在ERT系统流型识别中的应用研究

张 华

(吉林建筑大学城建学院 计算机科学与工程系，长春 130011)

两相流体具有复杂的流动特性，流型的准确识别是两相流参数准确测量的基础。针对电阻层析成像(ERT)系统和油/水两相流的流型，先用小波包分析提取ERT系统测量的压差波动信号的特征，然后将特征数据输入构造好的DDAG双支持向量机多类分模型进行识别。仿真实验结果对比证明，DDAG双支持向量机是一种兼顾效率和准确性的流型识别方法。

电阻层析成像；流型识别；小波包；DDAG双支持向量机

0 引言

两相流在化工、石油、冶金等行业普遍存在，其流型对相关工业的安全与自动化生产、管路系统的设计与运行有着重要影响,因此两相流流型识别具有重要意义。双支持向量机将经典支持向量机的二次优化问题分解成较小的两个二次优化，不仅降低了时间复杂度，而且克服了样本不平衡问题。本文以ERT系统和油/水两相流的四种常见流型为研究基础，首先对ERT系统测量的压差波动信号采用小波包分解进行特征提取，然后用双支持向量机构造DDAG多类分模型，最后向分类模型输入特征数据识别流型。

1 ERT系统结构和工作方式

ERT系统即电阻层析成像系统，主要组成部分是电阻传感器阵列、数据采集系统、图像重建计算机[1]。它的系统结构如图1所示。ERT系统通常采用电流激励、电压测量的工作方式。本文使用12电极的电阻传感器阵列采集电导率波动信号，采用相邻电极的激励模式，所以一幅图像采集到的测量数据是12×(12-3)=108个。系统工作方式如图2所示。

图1 电阻层析成像系统结构图

图2 系统工作方式图

2 基于小波包分解的特征提取

2.1 小波包分解原理

小波包分解是一种提取非平稳信号特征的较好工具，它为信号分解提供了一种更加精密的方法。它将频带进行多层次划分，进一步分解了多分辨率分析没有仔细划分的高频部分，并能够自动根据被分析信号的特征，选择与信号频谱相匹配的频带，从而使时频分辨率得以进一步提高[2]。

2.2 特征提取过程

(1)对输入信号S进行三层小波包分解，分解过程中使用db6小波滤波器，选取shanon熵值。最后提取第三层中8个涵盖低频到高频成分的信号特征[3]。

3 建立DDAG双支持向量机多类分类模型

3.1 双支持向量机原理

支持向量机是适于小样本学习的学习算法[4]。双支持向量机TSVM由Jayadeva等人提出，原理是把经典SVM中的一个二次优化问题转化为两个规模较小的二次优化问题，得到两个不平行的分类超平面，每类一个。双支持向量机求解以下二次优化问题[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)两式，得到两个超平面如下所示：

K(x′,C′)w(1)+b(1)=0

K(x′,C′)w(2)+b(2)=0。

(3)

3.2 建立DDAG双支持向量机多类分类模型

支持向量机是解决二类分类问题的，而实际中常常是多类分类问题[6]。常见的多类分类策略有一对一方法、一对多方法和DDAG方法[7]，其中一对一和一对多方法存在不可分区域。DDAG方法在训练阶段先向SVM中输入已知类别样本，训练出K(K-1)/2个(K是类别个数)两类SVM分类器，再将这些两类SVM分类器构建成一个二叉树有向无环图。在分类阶段，对未知样本X，从二叉树根节点开始，依据SVM决策函数的值决定下一步向左走还是向右走。依次类推，直到达到某个叶子结点，此叶子节点的类别就是未知样本X的类别。但是二叉树拓扑结构存在误差累积问题[8]，即在根节点产生的分类错误会直接影响以下每一层的分类结果。解决误差累积问题方法是，通过计算两类间不可分离程度公式选取最易分离两类的SVM作为根节点，以保证根节点选取的正确性[9]。

构造DDAG双支持向量机多类分类模型分两个阶段进行，分别是训练阶段和测试阶段。

训练阶段：针对ERT系统中的四种流型，根据DDAGTSVM策略需要训练4*(4-1)/2=6个TSVM两类分类器。构造区分1、2类的TSVM12时，将属于第1类的样本标记为正类，属于第2类的样本标记为负类，训练TSVM12，得到两个不平行的超平面H1和T1,H1为第1类的超平面,T1为第2类的超平面。以此类推，分别构造区分1、3类的TSVM13，区分1、4类的TSVM14，区分2、3类的TSVM23，区分2、4类的TSVM24，区分1、4类的TSVM14，分别得到两个不平行的超平面。然后，根据两类间不可分离程度公式计算每组两类流型的不可分离值。选择值最小的，即最易分的两类流型(假设为1和2)作为二叉树根节点TSVM要区分的两类。根据值的大小，确定二叉树拓扑结构的每一层的根节点，最终构造出如图3所示的DDAGTSVM多类分类器。

测试阶段步骤如下：

第一步：设给定的训练集为{(x1,y1),(x2,y2),...,(xl,yl)}， l表示用l组样本进行训练。其中xi∈Rn,yi∈{1,2,3,4}，i=1,2,...,l。

第二步：计算未知样本X到H1和T1的距离，如果X到H1的距离小于X到T1的距离，则X不属于2类，下一步走向左节点，左节点剩余类别为(1，3，4)；反之如果X到H1的距离大于X到T1的距离，则X不属于1类，下一步走向右节点，右节点剩余类别为(2，3，4)。

第三步：在某个非叶节点的剩余类别中，重复第二步，直到到达叶子节点，此节点所对应的类别就是未知样本X所属的类别。

图3 DDAGTSVM多类分类模型

4 实验过程和识别结果分析

表1 实验结果统计分析

5 结论

本文提出在ERT系统流型识别中利用DDAG双支持向量机构造多类分类模型。MATLAB仿真实验结果证明在特征提取方式一样的情况下， DDAG双支持向量机多类分类模型的识别准确率和训练时间要优于其他三种分类模型，是一种较好的流型识别方法。

[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] 边肇祺， 张学工. 模式识别[M].北京：清华大学出版社, 2000.

[5] 谢娟英，张兵权，汪万紫.基于双支持向量机的偏二叉树多类分类算法[J].南京大学学报(自然科学版),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] 余辉,赵辉.支持向量机多类分类算法新研究[J].计算机工程与应用,2008,44(7):185-189.

[8] 赵亮.一种改进的基于支持向量机的多类分类方法[J].计算机应用与软件,2014,31(12):233-236.

[9] 熊忠阳,陈玲,张玉芳.一种改进的DDAGSVM多类分类方法[J].计算机系统应用,2010,19(12):219-222.

责任编辑：程艳艳

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

张华(1980-)，女，吉林龙井人，讲师，硕士，主要从事图像处理与模式识别方面研究。

TP391.4

A

1009-3907(2016)12-0033-04