基于支持向量机的锚杆锚固密实度等级评定方法.pdf

《基于支持向量机的锚杆锚固密实度等级评定方法.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机的锚杆锚固密实度等级评定方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910980864.7 (22)申请日 2019.10.16 (71)申请人 四川大学 地址 610065 四川省成都市武侯区一环路 南一段24号 (72)发明人 冯子亮侯明正董朋林黄潇逸 王开华刘季亭朱鑫贺思睿 张欣 (51)Int.Cl. G01N 29/04(2006.01) G01N 29/44(2006.01) G06K 9/62(2006.01) (54)发明名称 基于支持向量机的锚杆锚固密实度等级评 定方法 (57)摘要 本发明提供一种基于支持向量机的锚杆锚 。

2、固密实度等级评定方法， 通过声波反射法获取反 射信号， 通过对其进行归一化等处理， 得到规格 化后的反射信号； 根据数据长度建立不同的训练 样本数据集， 对每个样本建立8+N1+N2维的特征 矩阵， 使用人工方式获得标签向量， 使用支持向 量机进行训练和分类， 实现了锚杆锚固密实度的 等级评定。 该方法的全部判定均基于时域特征进 行， 具有适应性好、 判定结果准确的特点， 有较好 的应用效果。 权利要求书2页 说明书7页 附图1页 CN 110749650 A 2020.02.04 CN 110749650 A 1.基于支持向量机的锚杆锚固密实度等级评定方法， 其特征在于， 包括以下步骤： 步。

3、骤1， 使用声波反射法获取锚杆的杆底前反射信号； 步骤2， 对反射信号进行归一化处理， 包括Y方向归一化和X方向归一化； 步骤3， 对反射信号进行平滑， 确定X方向的新零点； 步骤4， 求取Y方向的峰值坐标以及X方向修正系数， 并修正X坐标； 步骤5， 重新插值获取修正后的发射信号或波形， 即规格化数据； 步骤6， 准备样本数据集并进行人工标定； 步骤7， 构造长度不同的训练样本数据集； 步骤8， 对样本数据集， 构造特征矩阵和标签向量； 对样本数据集中的每个样本， 构造8+N1+N2维的特征向量； 样本数据集中有N个样本时， 其特征组成N(8+N1+N2)维的特征矩阵； 样本数据集中有N个样。

4、本时， 其分类标签组成N1维的标签向量； 步骤9， 使用支持向量机， 对每个样本数据集进行训练， 得到最终的分类模型； ； 步骤10， 针对某次的具体测量进行分类， 得到本次测量的等级评定类别。 2.所述步骤2中的Y方向归一化和X方向归一化， 其特征在于， 包括： Y方向归一化指将反射信号的纵坐标归一化到设定的振幅区间； X方向归一化指将反射信号的时间横坐标归一化到统一时间间隔。 3.所述步骤3中的确定X方向的新零点， 包括： 从现有的零点开始， 依次求取波形Y方向绝对值的移动平均值； 同时计算从零点开始全 部波形Y方向绝对值数据的全部平均值， 若该点处的移动平均值大于全部平均值的一个比 例系。

5、数时， 将该点确定为新零点； 新零点前的数据全部清空。 4.所述步骤4中求取Y方向的峰值坐标以及X方向修正系数， 并修正X坐标， 包括： 取第一个上峰值X方向的宽度作为本次测量的基准， 计算该值与事先设定的标准值的 比值作为修正系数， 然后将全部峰值数据的X坐标乘以该比值进行修正； 该修正相当于对反射信号波形进行拉伸或压缩。 5.所述步骤5中， 重新插值获取修正后的发射信号或波形， 包括： 使用与步骤2相同的统一时间间隔作为标准间隔值， 对经过修正后的反射信号， 使用插 值的方法进行重采样； 称为规格化数据； 得到Y值序列， 即Y值和序号； 这两个值构成规格化 后的波形或信号。 6.所述步骤6。

6、中的准备样本数据集并进行人工标定， 包括： 针对典型的应用场景和典型的杆长进行现场测试， 得到一系列现场测量数据； 对这些测量样本数据， 按上述步骤15进行处理， 得到规格化后的样本数据集； 采用人工标定方式， 对每次测量的锚杆锚固密实度进行等级评定， 得到相应的分类标 签。 7.所述步骤7中的构造长度不同的训练样本数据集， 包括： 针对上述已进行规格化和人工标定的样本数据集， 按照不同的数据长度构造不同的样 本数据集， 然后对每一个样本数据集进行训练； 若样本数据集中某类样本数据的个数不足时， 可以将属于同一分类的， 数据长度大于 该样本集数据长度的样本， 截断到需要的长度来使用； 权利要求。

7、书 1/2 页 2 CN 110749650 A 2 为减少待训练的样本数据集的数量， 可将数据长度按10取整。 8.所述步骤8中构造8+N1+N2维的特征矩阵， 包括： 对样本数据集中的每个样本数据， 计算下列特征值： 特征1： 前N1个上峰值点Y值； 特征2： 前N1个上峰值点直线拟合后的斜率； 特征3： 前N1个上峰值点横坐标间隔平均值； 特征4： 前N2个下峰值点Y值； 特征5： 前N2个下峰值点直线拟合后的斜率； 特征6： 前N2个下峰值点横坐标间隔平均值； 特征7： 全部点Y值绝对值平均值； 特征8： 全部点Y值绝对值方差； 特征9： 全部上峰值点Y值平均值； 特征10： 全部下峰。

8、值点Y值平均值； 所述特征1和特征4， 取前N1个上峰值点和N2个下峰值点的Y值； 所述特征2和特征5， 指分别对N1个上峰值点和N2个下峰值点进行直线拟合， 得到拟合 直线的斜率； 所述特征3和特征6， 指先计算峰值点的横坐标间隔， 即依次使用后一个峰值点的横坐 标值减去前一个峰值点横坐标， 再用得到的间隔值计算间隔平均值； 所述特征7和特征8， 指对全部点Y值绝对值， 求取均值和方差； 所述特征9和特征10， 指对上峰值点和下峰值点的Y值， 求取平均值； 上述特征值的个数或维度为8+N1+N2； 所述N1和N2， 是预先确定的适应性常数。 9.所述步骤9使用支持向量机， 对每个样本数据集进。

9、行训练， 得到相应的分类模型， 包 括： 支持向量机可以使用三次二分类支持向量机， 也可使用具有多分类改进的支持向量机 类型； 支持向量机可使用高斯核函数作为核函数； 可以选择随机划分的方式划分训练集和测试集； 将训练好的模型作为最终的分类模型。 10.所述步骤10针对某次的具体测量进行分类， 得到本次测量的等级评定类别， 包括： 然后使用上述步骤15， 得到本次测量经过规格化后的Y值序列， 将数据长度按10取整， 找到长度对应的已经训练好的分类模型； 按照步骤8计算中的方法， 计算本次测量的特征 值， 组成一个1(8+N1+N2)维的向量， 带入到已经训练好的模型中进行分类， 分类模型的输 。

10、出结果作为本次测量的等级评定类别。 权利要求书 2/2 页 3 CN 110749650 A 3 基于支持向量机的锚杆锚固密实度等级评定方法 技术领域 0001 本发明属于工程测量领域， 尤其涉及使用声波反射法对锚杆进行无损检测时的一 种基于支持向量机的锚杆锚固密实度等级评定方法。 背景技术 0002 锚杆支护技术广泛应用于各种支护工程， 其原理是通过将锚杆锚入围岩内部， 从 而改变围岩本身的力学状态， 可提高围岩的环向抗压强度， 并有效地控制围岩的变形； 锚杆 的锚固密实度是评价能否达到上述工程目的的重要指标。 0003 在工程应用中， 通常采用声波反射法来实现对锚杆长度和锚杆锚固密实度的无。

11、损 检测； 声波反射法将激振声波信号作用在锚杆的露出端， 使用加速度或速度传感器对反射 信号进行检测， 根据得到的反射信号， 判定锚杆的长度和锚固密实度。 0004 根据国家行业标准JGJ/T182-2009 锚杆锚固质量无损检测技术规程 的规定， 锚 杆的锚固密实度共分ABCD四个等级； 在实际情况中， A级和B级确定为合格， C级和D级确定为 不合格。 0005 但是该标准仅给出了锚杆锚固密实度的定性判别标准， 许多地方用词较为模糊， 如对反射信号的描述为：“杆底反射信号微弱” 、“有较弱的缺陷反射波” 、“清晰的杆底反射 波” 等； 对波形的描述为：“波形规则” 、“波形较规则” 、“波。

12、形欠规则” 、“波形不规则” 等； 这类 定性描述在实际应用中不容易掌握相应的尺度； 另外标准中还给出了时域信号特征和幅频 信号特征， 若同时识别则在一定程度上增加了实现难度。 0006 支持向量机是一种对数据进行二元分类的广义线性分类器， 其基本思想是通过求 解能够正确划分训练数据集并且几何间隔最大的分离超平面， 来实现对样本的分类； 多次 二分类也可以构成多分类支持向量机， OpenCV函数库中就提供了多分类支持； 支持向量机 对小样本分类有较好的效果。 0007 为了实现对锚杆锚固密实度等级评定的定量化计算， 本发明提供了一种针对采集 到的反射信号， 使用支持向量机对锚杆锚固密实度等级进。

13、行评定的方法， 仅针对反射信号 的时域特征进行处理， 既能满足规程要求， 同时还有适应性好、 判定结果准确的特点， 具有 较好的应用价值。 发明内容 0008 基于支持向量机的锚杆锚固密实度等级评定方法， 包括以下步骤。 0009 步骤1， 使用声波反射法获取锚杆的杆底前反射信号； 根据杆长、 杆系波速及频域分辨率等因素， 预先确定接收反射信号的长度和采样率； 可 用采样次数固定的方式对反射信号进行采样， 也可用采用时间间隔固定的方式进行采样； 杆底前反射信号指不超过杆底反射时程的反射信号； 在本方法中超过杆底反射时程的数据需要在测量后去除； 这可以根据杆长和外露杆长 预先确定， 但要预留后续。

14、新零点前需要去除的点， 从而准确地得到杆底前反射信号。 说明书 1/7 页 4 CN 110749650 A 4 0010 步骤2， 对反射信号进行归一化处理， 包括Y方向归一化和X方向归一化； Y方向归一化是振幅归一化， 即将反射信号的纵坐标归一化到设定的振幅区间， 避免因 每次测量时激振信号强度不同造成的反射信号强度不同， 从而使波形之间无法进行比较的 情况； 振幅归一化的具体方法是， 先求出反射信号在Y方向上的绝对值最大值， 再设定的振幅 区间值与该最大值的比例值， 然后将所有的振幅值乘以该比例值， 实现等比例缩放； X方向归一化是时间归一化， 即将反射信号的时间横坐标归一化到统一时间间。

15、隔； 时间归一化可以简单地采用插值算法进行。 0011 步骤3， 对反射信号进行平滑， 确定X方向的新零点； 对反射信号进行平滑可以采用移动平均平滑方法， 也可以采用其他高次平滑算法； 受到外露杆体长度不同的影响， 信号波形图中最前面部分长度可能不一致， 为了数据 处理的一致性， 需求取反射信号在X方向的新零点并去除新零点前的数据； 方法是从现有的零点开始， 依次求取波形Y方向绝对值的移动平均值； 同时计算从零点 开始全部波形Y方向绝对值数据的全部平均值， 若该点处移动平均值大于全部平均值的一 个比例系数时， 将该点确定为新零点； 新零点前的数据全部清空。 0012 步骤4， 求取Y方向的峰值。

16、坐标以及X方向修正系数， 并修正X坐标； 在反射信号的波形图中， Y轴正方向的峰值称为上峰值； 考虑到每次具体测量时， 激振信号的强度和持续时间的不同， 会导致反射信号的主频 率或周期的不同， 从信号的波形图上分辨， 则表现在不同的测量， X方向的峰值间隔的不同； 为了便于后续计算和比较， 需要将其统一到一个基准上进行计算； 取第一个上峰值X方向的宽度作为本次测量的基准， 计算该值与事先设定的标准值的 比值作为修正系数， 然后将全部峰值数据的X坐标乘以该比值进行修正； 也可以取前几个峰值的宽度的平均值作为本次测量的基准； 该修正相当于对反射信号的波形进行拉伸或压缩。 0013 步骤5， 重新插。

17、值获取修正后的反射信号或波形， 即规格化数据； 使用与步骤2相同的X方向统一时间间隔作为标准间隔值， 对经过上述处理后的反射信 号， 使用插值的方法进行重采样； 称为规格化数据； 规格化后数据只使用Y值序列， 即Y值和序号； 使用该值构成规格化后的反射信号或波 形； 对于相同杆长的锚杆， 每次测量得到的Y值个数或数据长度可能是不一样的； 对于不同杆长的锚杆， 每次测量得到的数据长度可能是不一样的； 所述数据长度， 指反射信号的数据经过步骤15处理后的Y值的个数。 0014 步骤6， 准备样本数据集并进行人工标定； 采样声波反射法， 针对典型的应用场景和典型的杆长进行现场测试， 得到一系列现场 。

18、测量数据； 对这些现场测量数据， 按上述步骤15进行处理， 得到规格化后的样本数据集； 对这些现场测量数据， 采用人工标定方式， 对其锚杆锚固密实度进行等级评定， 得到相 应的分类标签。 0015 步骤7， 构造长度不同的训练样本数据集； 说明书 2/7 页 5 CN 110749650 A 5 针对上述已进行规格化和人工标定的样本数据集， 按照不同的数据长度构造不同的样 本数据集， 然后对每一个样本数据集进行训练； 为减少待训练的样本数据集的数量， 可将数据长度按10取整； 若样本数据集中某类样本数据的个数不足时， 可以将属于同一分类的， 数据长度大于 该样本集数据长度的样本， 截断到需要的。

19、长度来使用。 0016 步骤8， 对样本数据集， 构造特征矩阵和标签向量； 对样本数据集中的每个样本， 构造8+N1+N2维的特征向量； 样本数据集中有N个样本时， 其特征组成N(8+N1+N2)维的特征矩阵； 样本数据集中有N个样本时， 其分类标签组成N1维的标签向量； 所述对样本数据集中的每个样本， 构造8+N1+N2维的特征向量， 包括： 对样本数据集中的每个样本数据， 计算下列特征值： 特征1： 前N1个上峰值点Y值； 特征2： 前N1个上峰值点直线拟合后的斜率； 特征3： 前N1个上峰值点横坐标间隔平均值； 特征4： 前N2个下峰值点Y值； 特征5： 前N2个下峰值点直线拟合后的斜率。

20、； 特征6： 前N2个下峰值点横坐标间隔平均值； 特征7： 全部点Y值绝对值平均值； 特征8： 全部点Y值绝对值方差； 特征9： 全部上峰值点Y值平均值； 特征10： 全部下峰值点Y值平均值； 所述特征1和特征4， 取前N1个上峰值点和N2个下峰值点的Y值； 所述特征2和特征5， 指分别对N1个上峰值点和N2个下峰值点进行直线拟合， 得到拟合 直线的斜率； 所述特征3和特征6， 指先计算峰值点的横坐标间隔， 即依次使用后一个峰值点的横坐 标值减去前一个峰值点横坐标， 再用得到的间隔值计算间隔平均值； 所述特征7和特征8， 指对全部Y值的绝对值， 求取均值和方差； 所述特征9和特征10， 指对上。

21、峰值点和下峰值点的Y值， 求取平均值； 上述特征值的个数或维度为8+N1+N2； 所述N1和N2， 是预先确定的适应性常数。 0017 步骤9， 使用支持向量机， 对每个样本数据集进行训练， 得到最终的分类模型； 支持向量机可以使用三次二分类支持向量机， 先将样本划分为AB和CD两类， 再在AB类 中区分A类和B类， 在CD类中区分C类和D类； 支持向量机也可以使用具有多分类改进的支持向量机类型， 直接将样本划分为ABCD四 类； 支持向量机可使用高斯核函数作为核函数； 可以选择随机划分的方式划分训练集和测试集； 将训练好的模型作为最终的分类模型。 0018 步骤10， 针对某次的具体测量进行。

22、分类， 得到本次测量的等级评定类别； 说明书 3/7 页 6 CN 110749650 A 6 然后使用上述步骤15， 得到本次测量经过规格化后的Y值序列， 将数据长度按10取整， 找到长度对应的已经训练好的分类模型； 按照步骤8计算中的方法， 计算本次测量的特征值， 组成一个1(8+N1+N2)维的向量； 将该向量带入到该分类模型中进行分类， 其输出结果作为本次测量的等级评定类别。 0019 本方法使用支持向量机实现对锚杆反射信号的分类， 首先通过一系列预处理， 得 到规格化后的反射信号数据； 针对典型的应用场景和杆长， 构造不同长度的数据集； 根据特 征提取和人工分类， 得到特征矩阵和标签。

23、向量； 对每一个数据集进行训练得到训练模型； 针 对具体的测量， 按相同的方法得到本次测量特征值， 输入到对应的分类模型中得到分类结 果。 该方法对反射信号的时域波形特征进行了复杂的预处理， 为后续分类准备了质量良好 的数据集； 尤其是考虑到识别信号波形时主要依据最前面部分， 后面的信号波形对结果影 响不大， 因此在训练时可以将同类别的数据长度较长的数据， 截短了来使用， 这增加了训练 样本的数量， 提高了分类的准确性； 该方法具有适应性好， 判定结果准确的特点。 附图说明 0020 图1为本发明方法的流程示意图。 具体实施方式 0021 为了更加清楚地展示本发明的目的和技术方案， 下面将结合。

24、具体的实施过程和附 图， 对本发明的具体实施方式和参数进行更加详细的描述。 0022 基于支持向量机的锚杆锚固质量等级评价方法， 如图1所示， 包含以下步骤。 0023 步骤1， 使用声波反射法获取锚杆的杆底前反射信号。 0024 根据杆长、 杆系波速及频域分辨率等因素， 预先确定接收的反射信号的长度和采 样率； 本实施例对接收的反射信号的采样， 使用采样次数固定的方式进行。 0025 杆底前反射信号指不超过杆底反射时程的反射信号； 在本方法中超过杆底反射时 程的数据需要在测量后去除； 这可以根据杆长和外露杆长预先确定， 但要预留后续新零点 前需要去除的点， 从而准确得到杆底前反射信号。 00。

25、26 如对杆长6m外露0.2m的情况， 设波速4900m/s； 杆底前反射的时长约为2.53ms； 全 部采样点设置为1000， 时间间隔0.004444ms， 可以计算出杆底前反射信号约为569个采样 点； 预留后续零点前待去除的20个， 采样点数约为589个。 0027 步骤2， 对反射信号进行归一化处理， 包括Y方向归一化和X方向归一化。 0028 Y方向归一化是振幅归一化， 其具体方法是， 先求出反射信号在Y方向上的绝对值 最大值， 再设定的振幅区间值与该最大值的比例值， 然后将所有的振幅值乘以该比例值， 实 现等比例缩放； 如设定的振幅区间为1000， 反射信号在Y方向上的绝对值最大。

26、值为100， 求设定的振 幅区间值1000与该最大值100的比例为10， 则所有振幅均乘以10， 这样就将信号等比例归一 化到1000区间。 0029 X方向归一化是时间归一化， 即将反射信号的时间横坐标归一化到统一时间间隔； 即将原来的以采样点个数为单位的横坐标， 换算为对应的时间间隔， 然后按新的时间 间隔重采样； 说明书 4/7 页 7 CN 110749650 A 7 如对时间间隔0.004444ms的数据， 可将其归一化到0.005ms的同一时间间隔采样； 时间 归一化是一种重采样方法， 可以简单地采用插值算法进行。 0030 时间归一化后采样点的个数会改变； 如前面的例子中， 0.。

27、004444ms的间隔对应约 589个采样点， 归一化到0.005ms的间隔对应约524个采样点。 0031 步骤3， 对反射信号进行平滑， 确定X方向的新零点。 0032 对信号进行平滑可以采用移动平均平滑方法， 也可以采用其他高次平滑算法； 如移动平均系数为5时， 则对每一个值， 用其前5个值的平均值代替。 0033 确定X方向新的零点， 可以从现有的零点开始， 依次求取波形Y方向绝对值的移动 平均值； 同时计算从零点开始波形Y方向绝对值的全部平均值， 若该点处的移动平均值大于 全部平均值的一个比例系数时， 确定该点为新零点； 新零点前的数据全部清空。 0034 如该比例设置为3时； 按前。

28、面例子中的数据， 需要清空的是归一化后数据中前面部 分约1020个采样点； 设去掉20个， 则剩余采样点数位504个。 0035 步骤4， 求取Y方向的峰值坐标以及X方向修正系数， 并修正X坐标。 0036 取第一个上峰值X方向的宽度作为本次测量的基准， 计算该值与事先设定的系数 的比值作为修正系数， 然后将全部峰值数据的X坐标乘以该比值进行修正。 0037 如该系数设定为20时， 表示标准情况第一个上峰值宽度为20个单位时间间隔， 以 上面的归一化后时间间隔0.005ms为例， 若某次测量第一个上峰值宽度为30个单位时间间 隔， 则需要将波形压缩1/3， 压缩后该波形的第一个上峰值宽度为20。

29、； 若某次测量第一个上 峰值宽度刚好为20时， 则不需要拉伸和压缩。 0038 步骤5， 重新插值获取修正后的发生信号或波形， 即规格化数据。 0039 以步骤2中的X方向新的统一时间间隔0.005为标准间隔值； 若波形压缩为1/3， 则 重新采样点个数约为原来504个点的1/3， 即约336个点； 若不压缩， 则采样点数不变。 0040 按照典型的应用场景和典型的杆长， 按照上述方法， 得到的数据长度约为300 1000。 0041 步骤6， 准备样本数据集并进行人工标定。 0042 采样声波反射法， 针对典型的应用场景和典型的杆长进行现场测试， 得到一系列 现场测量数据； 对这些现场测量数。

30、据， 按上述步骤15进行处理， 得到规格化后的样本数据集； 对这些现场测量数据， 采用人工标定方式， 对其锚杆锚固密实度进行等级评定， 得到相 应的分类标签。 0043 步骤7， 构造长度不同的训练样本数据集。 0044 针对上述已进行规格化和人工标定的样本数据集， 按照不同的数据长度构造不同 的样本数据集， 然后对每一个样本数据集进行训练； 为减少待训练的样本数据集的数量， 可将数据长度按10取整； 若样本数据集中某类样本数据的个数不足时， 可以将属于同一分类的， 数据长度大于 该样本集数据长度的样本， 截断到需要的长度来使用。 0045 本算法使用支持向量机进行分类， 每个样本数据集中， 。

31、每类标签对应的数据建议 大于200个。 0046 为减少待训练的样本数据集的数量， 可将数据长度按10取整。 说明书 5/7 页 8 CN 110749650 A 8 0047 步骤8， 对样本数据集， 构造特征矩阵和标签向量； 设N1=4； N2=4， 对样本数据集中的每个样本， 构造16维的特征矩阵； 样本数据集中有N个样本时， 其特征组成N16维的特征向量； 样本数据集中有N个样本时， 其分类标签组成N1维的标签向量。 0048 所述对样本数据集中的每个样本， 构造16维的特征向量， 包括： 对样本数据集中的每个样本数据， 计算下列特征值： 特征1： 前N1个上峰值点Y值； 特征2： 前。

32、N1个上峰值点直线拟合后的斜率； 特征3： 前N1个上峰值点横坐标间隔平均值； 特征4： 前N2个下峰值点Y值； 特征5： 前N2个下峰值点直线拟合后的斜率； 特征6： 前N2个下峰值点横坐标间隔平均值； 特征7： 全部点Y值绝对值平均值； 特征8： 全部点Y值绝对值方差； 特征9： 全部上峰值点Y值平均值； 特征10： 全部下峰值点Y值平均值； 所述特征1和特征4， 取前N1个上峰值点和N2个下峰值点的Y值； 所述特征2和特征5， 指分别对N1个上峰值点和N2个下峰值点进行直线拟合， 得到拟合 直线的斜率； 所述特征3和特征6， 指先计算峰值点的横坐标间隔， 即依次使用后一个峰值点的横坐 标。

33、值减去前一个峰值点横坐标， 再用得到的间隔值计算间隔平均值； 所述特征7和特征8， 指对全部点Y值绝对值， 求取均值和方差； 所述特征9和特征10， 指对上峰值点和下峰值点的Y值， 求取平均值； 上述特征1和特征4可计算8个特征值； 其余每个特征计算1个特征值， 全部特征值的个 数或维度为16。 0049 步骤9， 使用支持向量机， 对每个样本数据集进行训练， 得到最终的分类模型； 本实施例支持向量机使用具有多分类改进的支持向量机类型， 如使用Opencv3中的支 持向量机函数Ptr； 类型设置为SVM:C_SVC ， 异常值处罚因子设为10.0； 使用高斯核 函数作为核函数， 核函数设置为径。

34、向基函数SVM:RBF； Gamma参数设置为0.01； 可以选择随机划分的方式划分训练集和测试集； 将训练好的模型作为最终的分类模型。 0050 步骤10， 针对某次的具体测量进行分类， 得到本次测量的等级评定类别； 然后使用上述步骤15， 得到本次测量经过规格化后的Y值序列， 将数据长度按10取整， 找到长度对应的已经训练好的分类模型； 如本次规格化后的Y值个数为345， 则寻找数据长度为340的模型作为分类模型； 按照步骤8计算中的方法， 计算本次测量的特征值， 组成一个116维的向量； 将该向量带入到该分类模型中进行分类， 其输出结果作为本次测量的等级评定类别。 0051 最后应说明的。

35、是， 以上实施例仅用以说明本发明的技术方案， 而非对其进行限制； 尽管前述实施例对本发明进行了详细的说明； 本领域的普通技术人员应当理解， 其依然可 说明书 6/7 页 9 CN 110749650 A 9 以对前述实施例所记载的技术方案进行修改， 或者对其中部分或者全部技术特征进行等同 替换； 或者修改各个步骤的使用顺序， 而这些修改或者替换， 并不使相应技术方案的本质脱 离本发明各实施例技术方案的范围； 本发明各种阈值及范围的取值， 也会因为装置的具体 参数不同而有所改变。 说明书 7/7 页 10 CN 110749650 A 10 图1 说明书附图 1/1 页 11 CN 110749650 A 11 。