本发明涉及一种冶金成球过程中的分类判别系统，具体是涉及一种基于SVM-Fisher的分类、判别原理，对冶金成球产生的球团样本进行最优分类，从中筛选出符合需求球团的系统。
背景技术：
在冶金行业中球团生产是将细磨铁精矿制成能满足高炉炼铁需要的块状物料的一个加工过程。铁精矿按照一定比例添加粘结剂后并混合均匀，再由造球机经滚动制成一定比例的生球，然后经干燥、焙烧使球团固结。高炉生产以低燃耗和高产率为目的的趋势已日益增加，对高炉炉料的质量要求越来越高。因此，从众多样本中筛选出高质量的球团对高炉冶炼有着重要的价值，同时提高高质量球团的产出量对于增加高炉生产效率也起着至关重要的作用。
工业上，对成球性试验所得到的球团性能进行评价时，具有多个方面的评价指标，除专业划级的个别指标外，更多的是需要依据标准进行人为划分的指标。
人为依据标准的划分可以针对单一指标具有100％的信度，但是对成球性试验中球团的性能进行综合评价时，指标数量和样本维数都会扩大，通过人为方式对球团性能进行分类是难以实现。
本发明就是针对以上问题提出的，提供了一种基于SVM-Fisher的分类、判别原理，对冶金成球产生的球团样本进行最优分类，从中筛选出符合需求球团的系统。
技术实现要素：
本发明是涉及一种冶金成球过程中的分类判别系统，该系统主要由聚类分类模块和判别优化模块构成。其中聚类分类模块主要包含动态聚类单元和SVM分类单元两部分：首先由动态聚类的方式得到一组初始标签，再以此初始标签为基础构建SVM分类模型。判别优化模块主要包括判别单元和Fisher优化单元：判别单元对SVM分类得到的分类结果与上一近邻分类结果进行判别：若两次分类结果一致，则可以直接得到最优的分类方式；若两次分类结果不一致，则Fisher优化单元利用Fisher判别原理优化出基础类别，然后再以基础类别作为初始标签构建SVM分类模型，反复经过SVM分类和Fisher判别优化最终得到一种最优的分类方式，进而完成对球团样本的分类判别筛选工作。
聚类分类模块中的SVM分类单元是基于SVM分类原理对样本进行分类，主要是通过一个映射，即核函数，将低维空间不能线性可分的问题通过核函数映射到高维空间，从而使它变为线性可分。具体而言，SVM分类模型是通过已知标签的数据，构造出训练集和测试集，应用训练集进行模型训练，这是计算机自学习的一个过程，与神经网络类似，只不过神经网络是在给定置信范围，力求将经验风险降到最低；而SVM分类则相反，即经验风险是一定的，力求让置信范围达到最小。在完成模型的训练之后，将已知标签的测试集进行模型测试，得到模型测试的准确率，从而完成一个完整的SVM分类模型的建立过程，当模型本身达到一个较高分类精度时，对新的数据集进行标签化，达到分类的效果。
实际上，SVM分类模型的建立需要初始指标，而球团样本判定所需要的多个属性是无法人为公度，结合多个属性的样本初始标签不能直接得到的，因此首先应当利用动态聚类单元采取动态聚类方式形成初始标签，并在此基础上建立SVM分类模型。值得注意的是在动态聚类的过程中采取球团的性能指标，而SVM分类时使用球团的理化指标，两次标签形成过程针对球团的不同属性，从而实现球团属性信息的互补。动态聚类本身是一个不断迭代调整的过程，在反复考虑组内与组间差距的过程中，不断进行样品的入类与出类，从而力求使得组与组之间的差异大到一定程度，而组内的差异足够小。
然而，动态聚类结果有可能给出的标签不能较好反映样本的类别状况，即这样给出的初始标签无法准确将样本特点的分布做出优质的划归分类，从而对SVM分类的训练测试过程产生“误导”，进而造成模型的分类能力很差，为了解决这一问题，本发明在接下来的设计中加入判别优化模块。
判别优化模块查看分类模型的准确率，一般情况下由于动态聚类所得初始标签的偏差会导致SVM准确率较低。判别单元的主要功能是针对SVM分类单元得到的分类结果与上一近邻分类结果进行判别：若两次分类结果一致，则可以直接得到最优的分类方式；若两次分类结果不一致，则Fisher优化单元利用Fisher判别原理优化出基础类别，然后再以基础类别作为初始标签构建SVM分类模型，反复经过SVM分类和Fisher判别优化最终得到一种最优的分类方式，进而完成对球团样本的分类判别筛选工作。
Fisher判别原理是通过构造一个判别函数，使得未知样品已尽量分明的状态进入各个类别，这自然要求作为判别分析的基础类别的特征应该尽量集中，从统计学的角度而言，应该在双向考虑组间离差和组内离差基础上，使得两者比例达到最大，即：
其中分子、分母分别表示组间离差和组内离差，ni为第i个总体的样本量，和表示判别函数在第i个总体的样本均值和总的均值，qi是人为给定的加权系数，表示判别函数在第i个总体的样本方差。通过费马定理和代数知识，将此问题转化成求解一个特定矩阵特征值和特征向量的问题，该特征向量就是判别函数的系数，而特征值反映的就是该系数下的判别函数的判别能力。
本发明具有以下优点：
1、对工业上成球性试验所得到的球团性能需要从多个属性上整体进行综合评价分类，本发明通过算法将多个变量纳入分类参数，对于从全方面考量球团的综合素质具有重要意义，从而可以解决人为划分无法针对球团多种属性综合评价分类的问题。
2、通过一定量的样本试验，使得试验样本在性能优劣上有一个较均匀地分布，利用本发明可以得到一个最优分类结果，这一结果作为后续投料的参照，对高成球性能范围内的投料比例进行分析，能够对该配比下的成球性能进行预先估计，对提高高性能球团的生产量具有一定程度的指导意义。
附图说明
图1为本发明的工作流程图
模块1：聚类分类模块
模块2：判别优化模块
单元11：动态聚类单元
单元12：SVM分类单元
单元21：判别单元
单元22：Fisher优化单元
具体实施方式
本发明是涉及一种冶金成球过程中的分类判别系统，该系统主要由聚类分类模块和判别优化模块构成。其中聚类分类模块主要包含动态聚类单元和SVM分类单元两部分：首先由动态聚类的方式得到一组初始标签，再以此初始标签为基础构建SVM分类模型。判别优化模块主要包括判别单元和Fisher优化单元：判别单元对SVM分类得到的分类结果与上一近邻分类结果进行判别：若两次分类结果一致，则可以直接得到最优的分类方式；若两次分类结果不一致，则Fisher优化单元利用Fisher判别原理优化出基础类别，然后再以基础类别作为初始标签构建SVM分类模型，反复经过SVM分类和Fisher判别优化最终得到一种最优的分类方式，进而完成对球团样本的分类判别筛选工作。具体实施过程如下：
第一步、聚类分类模块工作：动态聚类单元利用动态聚类方式针对成球试验产生的球团样本选择初始凝聚点和初始分类,计算初始分类的重心，然后检验每一个样品到类别的重心距离，根据距离远近进行划类别。一般情况下采用欧式距离，两个高维向量a(x11,x12,…x1n)和b(x21,x22,…x2n)为，距离为：
逐一验证所有样品，迭代修改，直到没有样品需要移动为止。
第二步、SVM单元在第一步得到的初始标签的基础之上建立SVM分类模型，动态聚类的过程中采取球团的性能指标，而SVM分类时使用球团的理化指标，两次标签形成过程针对球团的不同属性，从而实现球团属性信息的互补。第三步、判别优化模块工作：判别单元针对SVM分类模型所得分类方式与上一近邻分类所得分类方式，即动态聚类单元所得分类方式进行判别，判断两种分类方式的结果是否一致：若两次分类结果一致，则直接可以得到最优分类方式；若两次分类结果不一致，则执行第四步。
第四步、Fisher优化单元利用Fisher判别原理优化出基础类别，再以基础类别作为初始标签构建SVM分类模型，针对SVM分类模型所得分类方式与上一近邻分类所得分类方式，即Fisher判别原理优化所得分类方式进行判别，判断两种分类方式的结果是否一致：若两次分类结果一致，则得到最优分类方式；若两次分类结果不一致，则再次执行本步骤。
第五步、不断重复第四步，检验准确率，直到准确率良好产生一个最优的分类方式。