基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法及系统与流程

本发明涉及一种绝缘故障诊断方法，尤其涉及一种直流电缆接头绝缘故障诊断方法。
背景技术：
：封闭式紧凑型结构的电力电缆的不断推广，使城市土地资源等得到有效节省，可一旦遭遇故障，经常会引起区域停电，故障的定位和维修也相当复杂。而且大多数的交联聚乙烯(XLPE)电缆击穿事故与绝缘状态关系密切。交联聚乙烯电缆终端的绝缘结构复杂，而且现场制作安装受工艺水平、环境条件等的影响，经过长期运行，直流电缆接头的绝缘薄弱环节易导致局部放电，所以，对直流交联聚乙烯电缆的局放信号进行故障分析意义重大。传统的基于电缆局部放电的绝缘故障诊断方法以神经网络和支持向量机等为主，但是直流下局部放电缺少相位信息，其特征提取及模式识别技术主要基于施加电压、放电量、放电时间间隔及其统计特征，并且直流电缆现场检测经验和记录较欠缺，因此针对直流电缆的局放诊断效果还有待考证。此外，由于传统的ECOC(纠错输出编码，Error-CorrectingOutputCodes)分类器应用于直流电缆接头绝缘故障诊断的准确率不高，将ECOC分类器应用于直流电缆接头绝缘故障诊断需要解决ECOC分类器的设计问题。技术实现要素：本发明的目的之一是提供一种基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法，该方法可用于直流电缆接头绝缘故障诊断。根据上述发明目的，本发明提出了一种基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法，其包括以下步骤：获取m类绝缘缺陷直流电缆接头局部放电信号图训练样本，并对其进行轮廓波变换，得到训练样本的子带图；计算所述训练样本的子带图的熵，并将其作为训练样本的特征向量；将所述训练样本的特征向量输入自适应布谷鸟优化的ECOC分类器，以对该自适应布谷鸟优化的ECOC分类器进行训练；获取待测试直流电缆接头局部放电信号图，并对其进行轮廓波变换，得到待测试子带图；计算所述待测试子带图的熵，并将其作为待测试特征向量；将所述待测试特征向量输入自适应布谷鸟优化的ECOC分类器；获取ECOC分类器输出的识别结果，该识别结果即表征待测试直流电缆接头的绝缘缺陷类型，从而实现对待测试直流电缆接头的绝缘故障诊断。本发明所述的基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法，其基于ECOC分类器设计，并且该ECOC分类器是经过发明人根据本发明的需求改进的ECOC分类器，具体为一种采用自适应算法实现布谷鸟鸟巢位置更新的自适应布谷鸟优化的ECOC分类器。ECOC分类器的框架包括一种二元或三元的编码矩阵以及基分类器。ECOC分类器可以将多分类问题简化为多个二分类问题，降低了多分类问题的复杂性，并且拥有纠错码独有的纠错能力。利用ECOC分类器进行多分类的关键在于确定有效的分解框架(即编码矩阵的构造)，但是传统的编码矩阵具有一定的随机性，影响分类的准确性，发明人考虑如果能够有效地挑选出识别率高的编码矩阵，则对直流电缆接头的绝缘缺陷类型的识别有显著帮助作用，从而有助于直流电缆接头绝缘故障诊断问题的解决。布谷鸟搜索算法将莱维飞行搜索与布谷鸟巢寄生繁殖行为相结合，可以有效进行全局寻优操作，且寻优效果优于遗传算法和粒子群算法。一般情况下，采用莱维飞行来更新布谷鸟巢位置，发明人考虑采用自适应算法来更新布谷鸟巢位置，以适用于本发明中直流电缆接头的绝缘缺陷类型的识别。发明人基于此设计一种用于本发明方法的改进的ECOC分类器，即自适应布谷鸟优化的ECOC分类器(基于布谷鸟搜索算法，采用自适应算法来更新布谷鸟巢位置的搜索算法进来优化编码矩阵的ECOC分类器)，其与传统的ECOC分类器相比，分类的准确率更高。关于自适应布谷鸟优化的ECOC分类器的详细原理，请参考具体实施方式部分。本发明中，所述直流电缆接头通常是指直流电缆终端接头。所述直流电缆可以是交联聚乙烯电缆。进一步地，本发明所述的直流电缆接头绝缘故障诊断方法中，所述自适应布谷鸟优化的ECOC分类器的基分类器为SVM基分类器。进一步地，本发明所述的直流电缆接头绝缘故障诊断方法中，所述局部放电信号图为q-Δt-n信号图，其中q为单个脉冲峰峰值，Δt为相邻两次放电脉冲间的时间间隔，n为某放电幅值相应某时间间隔区间内的放电重复率。进一步地，本发明所述的直流电缆接头绝缘故障诊断方法中，所述轮廓波变换为Contourlet变换，其步骤包括：采用拉普拉斯金字塔(LP)对信号图进行至少一个尺度变换，以得到子带系数；采用方向滤波器组(DFB)对所述子带系数进行方向变换，以得到子带图。上述方案中，Contourlet变换可以将信号图的多尺度表示和多方向表示灵活而有机地结合起来。Contourlet变换能准确地将信号图中的边缘等几何结构信息捕捉到不同尺度下的各方向子带中，并能够获得对信号图平滑区域和边缘部分的稀疏表达，具有良好的研究价值。进一步地，本发明所述的直流电缆接头绝缘故障诊断方法中，所述熵为Tsallis熵T，其通过下述模型计算：其中，q为衡量系统封闭程度的可调参数，L为信号图中局部放电脉冲个数区间等分数目，pj为信号图的像素点脉冲个数值落在第j个区间的概率。更进一步地，上述直流电缆接头绝缘故障诊断方法中，所述L取值为255。本发明的另一目的是提供一种基于改进ECOC分类器的直流电缆接头绝缘故障诊断系统，该系统基于上述方法实现，可用于直流电缆接头绝缘故障诊断。根据上述本发明的另一目的，本发明还提供了一种基于改进ECOC分类器的直流电缆接头绝缘故障诊断系统，其中，该系统被配置为可按照下述步骤实现直流电缆接头绝缘故障的诊断：获取m类绝缘缺陷直流电缆接头局部放电信号图训练样本，并对其进行轮廓波变换，得到训练样本的子带图；计算所述训练样本的子带图的熵，并将其作为训练样本的特征向量；将所述训练样本的特征向量输入自适应布谷鸟优化的ECOC分类器，以对该自适应布谷鸟优化的ECOC分类器进行训练；获取待测试直流电缆接头局部放电信号图，并对其进行轮廓波变换，得到待测试子带图；计算所述待测试子带图的熵，并将其作为待测试特征向量；将所述待测试特征向量输入自适应布谷鸟优化的ECOC分类器；获取ECOC分类器输出的识别结果，该识别结果即表征待测试直流电缆接头的绝缘缺陷类型，从而实现对待测试直流电缆接头的绝缘故障诊断。本发明所述的基于改进ECOC分类器的直流电缆接头绝缘故障诊断系统基于上述直流电缆接头绝缘故障诊断方法实现，因此与上述直流电缆接头绝缘故障诊断方法相关的原理部分不再赘述。进一步地，本发明所述的直流电缆接头绝缘故障诊断系统中，所述自适应布谷鸟优化的ECOC分类器的基分类器为SVM基分类器。进一步地，本发明所述的直流电缆接头绝缘故障诊断系统中，所述局部放电信号图为q-Δt-n信号图，其中q为单个脉冲峰峰值，Δt为相邻两次放电脉冲间的时间间隔，n为某放电幅值相应某时间间隔区间内的放电重复率。进一步地，本发明所述的直流电缆接头绝缘故障诊断系统中，所述轮廓波变换为Contourlet变换，其步骤包括：采用拉普拉斯金字塔对信号图进行至少一个尺度变换，以得到子带系数；采用方向滤波器组对所述子带系数进行方向变换，以得到子带图。进一步地，本发明所述的直流电缆接头绝缘故障诊断系统中，所述熵为Tsallis熵T，其通过下述模型计算：其中，q为衡量系统封闭程度的可调参数，L为信号图中局部放电脉冲个数区间等分数目，pj为信号图的像素点脉冲个数值落在第j个区间的概率。更进一步地，上述直流电缆接头绝缘故障诊断系统中，所述L取值为255。本发明所述的基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法，其优点和有益效果包括：(1)可以实现直流电缆(例如交联聚乙烯电缆)接头绝缘缺陷类型的有效识别，从而实现对直流电缆接头的绝缘故障诊断。直流交联聚乙烯电缆局部放电缺陷类型识别方法研究较少，本发明有效填补了该方向不足。(2)设计自适应布谷鸟优化的ECOC分类器，与传统的ECOC分类器相比，分类的准确率更高。(3)提高了直流电缆(例如交联聚乙烯电缆)接头局部放电检测系统的智能化水平。本发明所述的直流电缆接头绝缘故障诊断系统，由于采用了上述直流电缆接头绝缘故障诊断方法，同样具有上述优点和有益效果。附图说明图1为ECOC分类器框架结构示意图。图2为传统的OVA-ECOC分类器编码矩阵示意图。图3为传统的OVO-ECOC分类器编码矩阵示意图。图4为传统的DR-ECOC分类器编码矩阵示意图。图5为传统的SR-ECOC分类器编码矩阵示意图。图6为本发明所述的基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法在一种实施方式下的流程示意图。图7为交联聚乙烯绝缘内部气隙放电典型信号图。图8为扎针电晕放电典型信号图。图9为半导电层悬浮放电典型信号图。图10为半导电层沿面放电典型信号图。图11为某一原始直流交联聚乙烯电缆终端接头q-Δt-n局部放电信号图。图12为对图11中信号进行Contourlet变换后的低通局部放电信号图。图13为对图11中信号进行Contourlet变换后第1层拉普拉斯金字塔分解的8个方向子带局部放电信号图。图14为对图11中信号进行Contourlet变换后第2层拉普拉斯金字塔分解的8个方向子带局部放电信号图。图15为本发明采用的自适应布谷鸟优化的ECOC分类器的编码矩阵图。图16为传统的稀疏随机ECOC(SR-ECOC)分类器下的待测试直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别结果的可靠度。图17为本发明中的自适应布谷鸟优化的ECOC分类器下的待测试直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别结果的可靠度。图18为传统的稀疏随机ECOC(SR-ECOC)分类器下的待测试直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别结果。图19为本发明中的自适应布谷鸟优化的ECOC分类器下的待测试直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别结果。具体实施方式为便于理解，下面首先结合说明书附图详细描述本发明中的自适应布谷鸟优化的ECOC分类器的设计原理。图1示意了ECOC分类器框架结构，图2-图5示意了传统的4种ECOC分类器编码矩阵图。如图1所示，ECOC分类器框架包括一种二元或三元的编码矩阵1以及基分类器2，通常还包括解码器3。ECOC分类器可以将多分类问题简化为多个二分类问题，其中：通过根据编码矩阵1训练各基分类器2实现对ECOC分类器的训练；将基分类器2的输入A作为ECOC分类器的输入；将解码器3的输出B作为ECOC分类器的输出；通过解码器3的融合策略对编码矩阵1的输出进行解码，以输出识别结果。如图2-图5所示的传统编码矩阵，其中图2对应传统一对多ECOC(OVA-ECOC，one-versus-all)分类器，图3对应传统一对一ECOC(OVO-ECOC,one-versus-one)分类器，图4对应传统密集随机ECOC(DR-ECOC,DenseRandom)分类器，图5对应传统稀疏随机ECOC(SR-ECOC，SparseRandom)分类器。其每一行代表Cm类(m＝1,2,3,4,5)绝缘缺陷的码字，每一列代表样本的一种二类划分，其中，二元码为{-1,+1}，三元码为{-1,0,+1}，“-1”代表一类，“+1”代表另一类，“0”表示该类不参与由该列所产生的基分类器的训练，码元“1”、“-1”和“0”分别用深绿色、浅绿色和黄色表示(由于附图需要采用灰度显示，因此图中仅显示为相应的灰度，其对应关系见图中色带和码元的对应关系)。例如，在图5中对第9基分类器进行训练时，深绿色对应的C1、C2、C5类绝缘缺陷为一组，黄色对应的C4类绝缘缺陷为另外一组，浅绿色对应的C3类绝缘缺陷不参与该基分类器的训练。ECOC分类器可以将多分类问题简化为多个二分类问题，降低了多分类问题的复杂性，并且拥有纠错码独有的纠错能力。利用ECOC分类器进行多分类的关键在于确定有效的分解框架(即编码矩阵的构造)，但是传统的编码矩阵具有一定的随机性，影响分类的准确性，发明人考虑如果能够有效地挑选出识别率高的编码矩阵，则对直流电缆接头的绝缘缺陷类型的识别有显著帮助作用，从而有助于直流电缆接头绝缘故障诊断问题的解决。布谷鸟搜索算法将莱维飞行搜索与布谷鸟巢寄生繁殖行为相结合，可以有效进行全局寻优操作，且寻优效果优于遗传算法和粒子群算法。一般情况下，采用莱维飞行来更新布谷鸟巢位置，发明人考虑采用自适应算法来更新布谷鸟巢位置，以适用于本发明中直流电缆接头的绝缘缺陷类型的识别。针对本发明的直流电缆接头绝缘缺陷类型识别问题，结合采用自适应算法更新布谷鸟巢位置的布谷鸟搜索算法，以构造识别率高的编码矩阵，并根据该编码矩阵对ECOC分类器进行参数设置，从而得到自适应布谷鸟优化的ECOC分类器，其主要流程包括以下步骤：第一步：设置自适应布谷鸟算法的参数：(1)设每个鸟巢只有一个鸟蛋，Xi(t)为布谷鸟目前搜索鸟巢位置，i为鸟巢序号，最大值N为20，t为迭代次数，最大值可以设置为500，m为直流电缆绝缘缺陷类数，n为基分类器个数，为[-1.5,1.5]的随机数，当分别对应三元码中的{-1,0,+1}；(2)鸟巢中母鸟发现鸟蛋是外来蛋的概率pa；其中pa为参数，可以设置为0.25，即有0.25的概率，Xi(t)将会初始化；(3)目标函数f(X)为采用当前代数最优鸟巢位置对应的稀疏编码矩阵进行ECOC分类器识别的准确率值；第二步：保留上一代最优鸟巢位置，并计算Xi(t+1)＝Xi(t)+randn×stepi(t+1)×(Xi(t)-Xgbest)，其中Xgbest为目前全局最优的鸟巢位置，t为迭代次数，是第t代第i个鸟巢的适应度值，是第t代中最好的适应度值，是第t代中最差的适应度值。可得到一组新的布谷鸟巢位置，并计算目标函数f(X)值；第三步：根据适应度值，将新布谷鸟巢的位置跟上一代布谷鸟巢的位置对比，得到更新后的布谷鸟巢位置；第四步：得到最优的布谷鸟巢位置，如果达到终止条件(该终止条件可以是迭代次数达到最大值500，最佳适应度如果连续200代保持稳定)，运算结束，否则转到第三步，运算继续；第五步：根据最优布谷鸟巢位置所对应的编码矩阵对ECOC分类器进行参数设置，从而得到自适应布谷鸟优化的ECOC分类器。下面将结合说明书附图和具体的实施例对本发明所述的基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统做进一步的详细说明。图6示意了本发明所述的基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法在一种实施方式下的流程。如图6所示，该实施方式下的基于改进ECOC分类器的直流电缆接头绝缘故障诊断方法，其包括以下步骤：步骤110：获取m类绝缘缺陷直流电缆接头局部放电信号图训练样本，并对其进行轮廓波变换，得到训练样本的子带图；步骤120：计算训练样本的子带图的熵，并将其作为训练样本的特征向量；步骤130：将训练样本的特征向量输入自适应布谷鸟优化的ECOC分类器，以对该自适应布谷鸟优化的ECOC分类器进行训练；步骤140：获取待测试直流电缆接头局部放电信号图，并对其进行轮廓波变换，得到待测试子带图；步骤150：计算待测试子带图的熵，并将其作为待测试特征向量；步骤160：将待测试特征向量输入自适应布谷鸟优化的ECOC分类器；步骤170：获取ECOC分类器输出的识别结果，该识别结果即表征待测试直流电缆接头的绝缘缺陷类型，从而实现对待测试直流电缆接头的绝缘故障诊断。上述实施方式中，自适应布谷鸟优化的ECOC分类器框架包括一种二元或三元的编码矩阵以及基分类器，还包括解码器。该实施方式中基分类器为SVM基分类器。上述实施方式中，局部放电信号图为q-Δt-n信号图，其中q为单个脉冲峰峰值，Δt为相邻两次放电脉冲间的时间间隔，n为某放电幅值相应某时间间隔区间内的放电重复率。上述实施方式中，轮廓波变换为Contourlet变换，其步骤包括：采用拉普拉斯金字塔(LP)对信号图进行至少一个尺度变换，以得到子带系数；采用方向滤波器组(DFB)对所述子带系数进行方向变换，以得到子带图。上述实施方式中，熵为Tsallis熵T，其通过下述模型计算：其中，q为衡量系统封闭程度的可调参数，L为信号图中局部放电脉冲个数区间等分数目，pj为信号图的像素点脉冲个数值落在第j个区间的概率。本实施方式中q设置为常数5，L设置为常数255，j∈[0,L]，概率即该像素点脉冲个数与全部脉冲个数的比值。相应地，本发明的基于改进ECOC分类器的直流电缆接头绝缘故障诊断系统，其被配置为可按照上述实施方式中的步骤110-步骤170实现直流电缆接头绝缘故障的诊断。基于上述实施方式的具体实施例如下。图7-图10显示了4类绝缘缺陷的典型局部放电信号。图11-图14显示了某一幅直流交联聚乙烯电缆终端接头局部放电信号及其Contourlet分解。图15显示了本发明采用的自适应布谷鸟优化的(CuckooSearchSparseMatrix)ECOC分类器的编码矩阵。该实施例基于上述诊断系统实现上述诊断方法，具体为：实施上述步骤110-170，其中：步骤110中：实施该步骤前先制作正常的直流交联聚乙烯电缆终端接头模型和4类绝缘缺陷的直流交联聚乙烯电缆终端接头模型，共5类(m＝5)，具体方法为：(1)制作交联聚乙烯绝缘内部气隙放电模型：在安装硅橡胶终端管前，用工具刀将交联聚乙烯绝缘表面制作深5mm，宽5mm的凹痕，并且安装终端接头时，缺陷附近未涂抹高压硅脂，以免影响缺陷效果。(2)制作扎针电晕放电放电模型：在安装硅橡胶终端管后，将一根长度为4cm的钢针将终端接头穿透，插入交联聚乙烯绝缘内部，并接触试品直流电缆导线芯，模拟高压电晕放电放电。(3)制作半导电层悬浮模型：在安装硅橡胶终端管前，在交联聚乙烯绝缘上预留一块面积为3cm2的内半导电层，独立于电缆本体的内半导电层，模拟悬浮放电。(4)制作半导电层沿面模型：在安装硅橡胶终端管前，将内半导电层末处制作成等边三角形状突出状，边长为1cm，模拟沿面放电。依次将上述4类绝缘缺陷直流交联聚乙烯电缆终端接头模型连入诊断系统，缓慢升压直至观测到明显放电脉冲，单个脉冲峰峰值记为q，区间等分数目为64，与下次放电间隔记为Δt，区间等分数目为64，某放电幅值相应某时间间隔内的等效放电次数记为n，区间等分数目为256。以300个脉冲作为一次采样周期，以获取4类绝缘缺陷直流电缆接头局部放电信号图训练样本。然后对其进行Contourlet变换，得到训练样本的子带图。图7显示了交联聚乙烯绝缘内部气隙放电典型信号，图8显示了扎针电晕放电典型信号，图9显示了半导电层悬浮放电典型信号，图10显示了半导电层沿面放电典型信号。该实施例的Contourlet变换中，先将原始输入的直流交联聚乙烯电缆终端接头局部放电信号图分解为一个低通信号图和一个带通信号图。然后，多尺度分解过程可在低通信号图上迭代进行。方向分解是利用方向滤波器组只在拉普拉斯金字塔的各带通信号图上进行。如图11-图14所示，该实施例的Contourlet变换中，进行2层拉普拉斯金字塔分解，每层分解8个方向子带。其中，图11显示了某一原始直流交联聚乙烯电缆终端接头q-Δt-n局部放电信号，图12显示了对图11中信号进行Contourlet变换后的低通局部放电信号，图13显示了对图11中信号进行Contourlet变换后第1层拉普拉斯金字塔分解的8个方向子带局部放电信号，图14显示了对图11中信号进行Contourlet变换后第2层拉普拉斯金字塔分解的8个方向子带局部放电信号。步骤120中：基于上述经过2层Contourlet变换后的1个低通子带图和16个方向子带图训练样本计算其子带图的Tsallis熵T，并将其作为训练样本的特征向量。步骤130中：将上述训练样本的特征向量输入自适应布谷鸟优化的ECOC分类器，以对该自适应布谷鸟优化的ECOC分类器进行训练。其中，自适应布谷鸟优化的ECOC分类器按照上述自适应布谷鸟优化的ECOC分类器的设计原理进行设计，其中m取5，n取35，以直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别准确率为适应度函数值。本发明采用的自适应布谷鸟优化的ECOC分类器的编码矩阵如图15所示(由于附图需要采用灰度显示，因此图中仅显示为相应的灰度，图中显示有色带和码元的对应关系)。步骤140中：获取待测试直流电缆接头局部放电信号图，并对其进行Contourlet变换，得到待测试子带图。步骤150中：计算待测试子带图的Tsallis熵T，并将其作为待测试特征向量。步骤160中：将待测试特征向量输入自适应布谷鸟优化的ECOC分类器。步骤170中：获取ECOC分类器输出的识别结果，该识别结果即表征待测试直流电缆接头的绝缘缺陷类型，从而实现对待测试直流电缆终端接头的绝缘故障诊断。通过对大量待测试数据测试，验证了与传统的ECOC分类器相比，本发明对直流电缆终端接头的绝缘故障诊断的诊断效果更好，主要体现在对绝缘缺陷类型识别的可靠度更好，准确率更高。具体如下：图16和图17分别显示了传统的稀疏随机ECOC(SR-ECOC)分类器和本发明中的自适应布谷鸟优化的ECOC分类器下的待测试直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别结果的可靠度。从图中可以发现，颜色越浅，越接近黄色，则识别可靠度越大，并判断为对应绝缘缺陷类型(由于附图需要采用灰度显示，因此图中仅显示为相应的灰度，图中显示有色带和可靠度的对应关系)。图18和图19分别显示了传统的稀疏随机ECOC(SR-ECOC)分类器和本发明中的自适应布谷鸟优化的ECOC(CS-SR-ECOC)分类器下的待测试直流交联聚乙烯电缆终端接头绝缘缺陷类型的识别结果(由于附图需要采用灰度显示，因此图中仅显示为相应的灰度，图中显示有色带和命中数的对应关系)。从图中统计数据可以发现，本发明中的自适应布谷鸟优化的ECOC分类器分类效果要优于传统稀疏随机ECOC分类器，尤其是直流交联聚乙烯电缆终端接头的C1类和C2类绝缘缺陷类型可以准确识别，并且C3、C4、C5类绝缘缺陷类型的识别准确度也有明显提高。通过计算可得，传统的稀疏随机ECOC分类器下的的整体识别准确率为81.88％，缺陷类型C1-C5的识别准确率分别为85.94％，96.88％，75.00％，95.31％，56.25％；本发明中的自适应布谷鸟优化的ECOC分类器下的整体识别准确率为90.31％，缺陷类型C1-C5的识别准确率分别为100％，100％，81.25％，85.94％，84.38％。表1显示了本发明中的自适应布谷鸟优化的ECOC分类器与4种传统ECOC分类器识别绝缘缺陷类型的可靠度均值、可靠度方差以及识别准确率方面的数据比较。其中，OVO-ECOC为传统一对一ECOC分类器，OVA-ECOC为传统一对多ECOC分类器，DR-ECOC为传统密集随机ECOC分类器，SR-ECOC为传统稀疏随机ECOC分类器，CS-SR-ECOC为本发明中的自适应布谷鸟优化的ECOC分类器。表1分类器类型可靠度均值可靠度方差准确率OVO-ECOC0.91690.008961.88％OVA-ECOC0.93840.005764.38％DR-ECOC0.91500.008560.94％SR-ECOC0.95620.006181.88％CS-SR-ECOC0.95830.002590.31％此外，由表1可知，本发明中的自适应布谷鸟优化的ECOC分类器识别的准确率最高，为90.31％，可靠度均值最大，为0.9583，可靠度方差最小，为0.0025，表明识别最稳定。要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。当前第1页1 2 3