运用AI技术解决入口段穿带异常的方法.pdf

《运用AI技术解决入口段穿带异常的方法.pdf》由会员分享，可在线阅读，更多相关《运用AI技术解决入口段穿带异常的方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)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 202211496275.X (22)申请日 2022.11.26 (71)申请人 宝钢工程技术集团有限公司 地址 201999 上海市宝山区铁力路2510号 申请人 宝钢湛江钢铁有限公司 (72)发明人 汪洋李碧袁磊路凤智 彭利顺郭守春徐静乔建基 吴凤品张利勇王林陈力帆 唐晓莉王海东陈素芳秦坤坤 (74)专利代理机构 上海天协和诚知识产权代理 事务所 31216 专利代理师 李彦 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V。

2、 10/764(2006.01) G06V 10/82(2022.01) G06V 10/766(2022.01) G01V 8/10(2006.01) B21B 37/72(2022.01) (54)发明名称 一种运用AI技术解决入口段穿带异常的方 法 (57)摘要 本发明公开了一种运用AI技术解决入口段 穿带异常的方法， 包括以下步骤： 安装摄像头步 骤： 在彩涂机组入口段布设多个摄像头， 并对摄 像头的角度进行调整， 使得彩涂机组入口位于多 个摄像头的视频区域； 组网步骤： 将多摄像头通 过网络进行组网， 然后对多个摄像头进行时间调 整， 使得多个摄像头的时间同步， 并依据多个摄 像头的。

3、视角构建共享空间与世界坐标； 校准步 骤： 对多个摄像头依次编序， 并对每个摄像头初 始化， 然后对完成初始化的摄像头与世界坐标进 行校准。 本发明通过算法识别分析出异常状态， 并能根据来料情况自动分析判断卡钢等穿带异 常状态的几率， 给出判断和辅助决策建议， 最终 实现降低入口段穿带异常发生几率， 提高生产效 率， 节约维护成本。 权利要求书2页 说明书7页 附图2页 CN 115797861 A 2023.03.14 CN 115797861 A 1.一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 包括以下步骤： 安装摄像头步骤： 在彩涂机组入口段布设多个摄像头， 并对摄像头的角。

4、度进行调整， 使 得彩涂机组入口位于多个摄像头的视频区域； 组网步骤： 将多摄像头通过网络进行组网， 然后对多个摄像头进行时间调整， 使得多个 摄像头的时间同步， 并依据多个摄像头的视角构建共享空间与世界坐标； 校准步骤： 对多个摄像头依次编序， 并对每个摄像头初始化， 然后对完成初始化的摄像 头与世界坐标进行校准； 采集数据步骤： 摄像头对经过彩涂机组入口的物料的画面进行拍摄， 并自动形成速度、 进度、 位置参数， 然后将参数与后台同步， 并将同一时间内的彩涂机组运行参数一并记录到 后台并同步； 建立数据库步骤： 后台依据物料参数和彩涂机组运行参数建立数据库； AI算法分析步骤： 通过AI技。

5、术对数据库中数据进行筛选整理， 通过算法识别分析出异 常状态的相关性和关联性等规律； 判断步骤： 根据异常状态的相关性和关联性等规律， 判断来料情况， 并自动分析判断出 穿带异常状态的几率， 并给出判断和辅助决策建议。 2.根据权利要求1所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 所 述摄像头在穿带过程中实时跟踪穿带过程， 监测带钢卡钢、 堆钢等情况， 并将同一时间内的 物料的速度、 进度、 位置参数和机组运行参数等数据记录一并存储于数据库中。 3.根据权利要求1所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 在 所述AI算法分析步骤中， 所述对数据库中数据。

6、进行筛选整理的方法为： 通过AI算法计算出数据阈值： 选择一些组的数据， 并随机初始化各组数据的各自的中 心点； 计算每个数据点到中心点的距离， 将距离中心点最近的数据点划分到一类中； 计算出每一类中的中心点作为新的中心点， 并重复以上步骤， 直到每一类中心在每次 迭代后变化不大为止； 根据获得的两类点， 重新计算两类点中的质心重新将所有的点归到两个新的质心的其 中之一， 重复上面的过程， 直到每一类中心在每次迭代后变化不大为止。 4.根据权利要求3所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 在 所述通过AI算法计算出数据阈值中， 所述中心点是与每个数据点向量长度相同的位置。

7、， 类 的数量为预知数量， 类的数量即为中心点的数量， 所述质心为到该类所有点的距离最短的 点。 5.根据权利要求1所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 在 所述AI算法分析步骤： 所述AI算法包括线性回归算法、 逻辑回归算法、 支持向量机算法、 决 策树算法、 随机森林算法和神经网络算法中的一种。 6.根据权利要求5所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 所 述AI算法分析步骤中： 所述AI算法采用逻辑回归算法， 对逻辑回归算法输入一个y， 定义分 成两类， 并通过字段fcst记录了预测的分类结果。 7.根据权利要求6所述的一种运用AI技术解。

8、决入口段穿带异常的方法， 其特征在于， 所 述逻辑回归算法进行分析时， 逻辑回归采用两个基本假设， 第一个基本假设为假设数据服 权利要求书 1/2 页 2 CN 115797861 A 2 从伯努利分布； 第二个假设是假设样本为正的概率是符合sigmoid函数输出的。 8.根据权利要求7所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 所 述逻辑回归算法通过对sigmoid函数进行梯度下降来不断逼近最优解， 所述梯度下降法包 括： 随机梯度下降、 批梯度下降和小批量梯度下降。 9.根据权利要求1所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 所 述逻辑回归算法中，。

9、 使用的损失函数包括一般有01损失函数、 平方损失函数、 绝对值损失 函数、 对数损失函数、 合页损失函数和极大似然函数中的任意一种。 10.根据权利要求6所述的一种运用AI技术解决入口段穿带异常的方法， 其特征在于， 所述分类结果只有0和1， 所述定义分成的两类分别为一类正常和一类异常， 分类中多的是 正常的， 少的是异常的。 权利要求书 2/2 页 3 CN 115797861 A 3 一种运用AI技术解决入口段穿带异常的方法 技术领域 0001 本发明涉及冶金工业技术领域， 具体涉及一种运用AI技术解决入口段穿带异常的 方法。 背景技术 0002 彩涂钢板是在连续机组上以冷轧带钢， 镀锌。

10、带钢 （电镀锌和热镀锌） 为基板， 经过 表面预处理 （脱脂和化学处理） ， 用辊涂的方法， 涂上一层或多层液态涂料， 化经过烘烤和冷 却所得的板材， 在彩涂钢板加工的过程中， 需要使用冷轧彩涂机组进行加工。 0003 如授权公告号为CN201610085913.7 公开了一种基于机器视觉的热处理钢带变形 检测方法及装置， 前置摄像机和后置摄像机分别获取钢带在矫直前和矫直后的图像信息然 后将信息传输到处理器处理， 处理器将图像信息进行对比分析得出矫直结果， 将矫直结果 汇报到矫直机， 矫直机根据矫直结果自动调整矫直工艺参数。 0004 在冷轧彩涂机组入口段进行穿带时， 往往会出现带钢卡钢和堆钢。

11、的现象， 在出现 带钢卡钢和堆钢的现象前往往不能进行预测， 导致冷轧彩涂机组需要经常的对带钢卡钢和 堆钢的现象进行维护处理， 进而降低了冷轧彩涂机组的工作效率， 使得产品的生产效率降 低。 因此， 亟需设计一种运用AI技术解决入口段穿带异常的方法来解决上述问题。 发明内容 0005 本发明的目的是提供一种运用AI技术解决入口段穿带异常的方法， 以解决现有技 术中的上述不足之处。 0006 为了实现上述目的， 本发明提供如下技术方案： 一种运用AI技术解决入口段穿带异常的方法， 包括以下步骤： 安装摄像头步骤： 在彩涂机组入口段布设多个摄像头， 并对摄像头的角度进行调 整， 使得彩涂机组入口位于。

12、多个摄像头的视频区域； 组网步骤： 将多摄像头通过网络进行组网， 然后对多个摄像头进行时间调整， 使得 多个摄像头的时间同步， 并依据多个摄像头的视角构建共享空间与世界坐标； 校准步骤： 对多个摄像头依次编序， 并对每个摄像头初始化， 然后对完成初始化的 摄像头与世界坐标进行校准； 采集数据步骤： 摄像头对经过彩涂机组入口的物料的画面进行拍摄， 并自动形成 速度、 进度、 位置参数， 然后将参数与后台同步， 并将同一时间内的彩涂机组运行参数一并 记录到后台并同步； 建立数据库步骤： 后台依据物料参数和彩涂机组运行参数建立数据库； AI算法分析步骤： 通过AI技术对数据库中数据进行筛选整理， 通。

13、过算法识别分析 出异常状态的相关性和关联性等规律； 判断步骤： 根据异常状态的相关性和关联性等规律， 判断来料情况， 并自动分析判 断出穿带异常状态的几率， 并给出判断和辅助决策建议。 说明书 1/7 页 4 CN 115797861 A 4 0007 进一步的， 所述摄像头在穿带过程中实时跟踪穿带过程， 监测带钢卡钢、 堆钢等情 况， 并将同一时间内的物料的速度、 进度、 位置参数和机组运行参数等数据记录一并存储于 数据库中。 0008 进一步的， 在所述AI算法分析步骤中， 所述对数据库中数据进行筛选整理的方法 为： 通过AI算法计算出数据阈值： 选择一些组的数据， 并随机初始化各组数据的。

14、各自 的中心点； 计算每个数据点到中心点的距离， 将距离中心点最近的数据点划分到一类中； 计算出每一类中的中心点作为新的中心点， 并重复以上步骤， 直到每一类中心在 每次迭代后变化不大为止。 0009 根据获得的两类点， 重新计算两类点中的质心重新将所有的点归到两个新的质心 的其中之一， 重复上面的过程， 直到每一类中心在每次迭代后变化不大为止。 0010 进一步的， 在所述通过AI算法计算出数据阈值中， 所述中心点是与每个数据点向 量长度相同的位置， 类的数量为预知数量， 类的数量即为中心点的数量， 所述质心为到该类 所有点的距离最短的点。 0011 进一步的， 在所述AI算法分析步骤： 所。

15、述AI算法包括线性回归算法、 逻辑回归算 法、 支持向量机算法、 决策树算法、 随机森林算法和神经网络算法中的一种。 0012 进一步的， 所述AI算法分析步骤中： 所述AI算法采用逻辑回归算法， 对逻辑回归算 法输入一个y， 定义分成两类， 并通过字段fcst记录了预测的分类结果。 0013 进一步的， 所述逻辑回归算法进行分析时， 逻辑回归采用两个基本假设， 第一个基 本假设为假设数据服从伯努利分布； 第二个假设是假设样本为正的概率是符合sigmoid函 数输出的。 0014 进一步的， 所述逻辑回归算法通过对sigmoid函数进行梯度下降来不断逼近最优 解， 所述梯度下降法包括： 随机梯。

16、度下降、 批梯度下降和小批量梯度下降； 进一步的， 所述逻辑回归算法中， 使用的损失函数包括一般有01损失函数、 平方 损失函数、 绝对值损失函数、 对数损失函数、 合页损失函数和极大似然函数中的任意一种。 0015 进一步的， 所述分类结果只有0和1， 所述定义分成的两类分别为一类正常和一类 异常， 分类中多的是正常的， 少的是异常的。 0016 在上述技术方案中， 本发明提供的一种运用AI技术解决入口段穿带异常的方法， 有益效果为： （1） 本发明通过算法识别分析出异常状态， 并能根据来料情况自动分析判断卡钢 等穿带异常状态的几率， 给出判断和辅助决策建议， 最终实现降低入口段穿带异常发生。

17、几 率， 提高生产效率， 节约维护成本。 0017 （2） 本发明通过逻辑回归算法对异常发生几率进行预测， 使得模型的可解释性非 常好， 训练的速度通过堆机器进一步提高， 资源占用小， 尤其是内存， 方便输出结果调整。 0018 （3） 本发明通过多个摄像头的安装， 使得对彩涂机组入口段穿带异常进行检测时 能够提供更多的数据， 使得彩涂机组入口段穿带异常进行检测时更加的准确。 说明书 2/7 页 5 CN 115797861 A 5 附图说明 0019 为了更清楚地说明本申请实施例或现有技术中的技术方案， 下面将对实施例中所 需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本。

18、发明中记载的一 些实施例， 对于本领域普通技术人员来讲， 还根据这些附图获得其他的附图。 0020 图1为本发明一种运用AI技术解决入口段穿带异常的方法实施例提供的流程图。 0021 图2为本发明一种运用AI技术解决入口段穿带异常的方法实施例提供的预测计算 结果数据图。 具体实施方式 0022 为了使本领域的技术人员更好地理解本发明的技术方案， 下面将结合附图对本发 明作进一步的详细介绍。 0023 如图12所示， 本发明实施例提供的一种运用AI技术解决入口段穿带异常的方法， 包括以下步骤： 安装摄像头步骤： 在彩涂机组入口段布设多个摄像头， 并对摄像头的角度进行调 整， 使得彩涂机组入口位于。

19、多个摄像头的视频区域； 组网步骤： 将多摄像头通过网络进行组网， 然后对多个摄像头进行时间调整， 使得 多个摄像头的时间同步， 并依据多个摄像头的视角构建共享空间与世界坐标； 校准步骤： 对多个摄像头依次编序， 并对每个摄像头初始化， 然后对完成初始化的 摄像头与世界坐标进行校准； 采集数据步骤： 摄像头对经过彩涂机组入口的物料的画面进行拍摄， 并自动形成 速度、 进度、 位置参数， 然后将参数与后台同步， 并将同一时间内的彩涂机组运行参数一并 记录到后台并同步； 建立数据库步骤： 后台依据物料参数和彩涂机组运行参数建立数据库； AI算法分析步骤： 通过AI技术对数据库中数据进行筛选整理， 通。

20、过算法识别分析 出异常状态的相关性和关联性等规律； 判断步骤： 根据异常状态的相关性和关联性等规律， 判断来料情况， 并自动分析判 断出穿带异常状态的几率， 并给出判断和辅助决策建议。 0024 具体的， 本实施例中， 包括以下步骤： 安装摄像头步骤： 在彩涂机组入口段布设多个摄像头， 并对摄像头的角度进行调 整， 使得彩涂机组入口位于多个摄像头的视频区域； 组网步骤： 将多摄像头通过网络进行组网， 然后对多个摄像头进行时间调整， 使得 多个摄像头的时间同步， 并依据多个摄像头的视角构建共享空间与世界坐标； 校准步骤： 对多个摄像头依次编序， 并对每个摄像头初始化， 然后对完成初始化的 摄像头。

21、与世界坐标进行校准； 采集数据步骤： 摄像头对经过彩涂机组入口的物料的画面进行拍摄， 并自动形成 速度、 进度、 位置参数， 然后将参数与后台同步， 并将同一时间内的彩涂机组运行参数一并 记录到后台并同步； 建立数据库步骤： 后台依据物料参数和彩涂机组运行参数建立数据库； AI算法分析步骤： 通过AI技术对数据库中数据进行筛选整理， 通过算法识别分析 说明书 3/7 页 6 CN 115797861 A 6 出异常状态的相关性和关联性等规律 判断步骤： 根据异常状态的相关性和关联性等规律， 判断来料情况， 并自动分析判 断出穿带异常状态的几率， 并给出判断和辅助决策建议。 0025 本发明提供。

22、的一种运用AI技术解决入口段穿带异常的方法， 本发明通过算法识别 分析出异常状态， 并能根据来料情况自动分析判断卡钢等穿带异常状态的几率， 给出判断 和辅助决策建议， 最终实现降低入口段穿带异常发生几率， 提高生产效率， 节约维护成本。 0026 本发明提供的另一个实施例中， 摄像头在穿带过程中实时跟踪穿带过程， 监测带 钢卡钢、 堆钢等情况， 并将同一时间内的物料的速度、 进度、 位置参数和机组运行参数等数 据记录一并存储于数据库中。 0027 本发明提供的另一个实施例中， 在AI算法分析步骤中， 对数据库中数据进行筛选 整理的方法为： 通过AI算法计算出数据阈值： 选择一些组的数据， 并随。

23、机初始化各组数据的各自 的中心点； 计算每个数据点到中心点的距离， 将距离中心点最近的数据点划分到一类中； 计算出每一类中的中心点作为新的中心点， 并重复以上步骤， 直到每一类中心在 每次迭代后变化不大为止。 0028 也多次随机初始化中心点， 然后选择运行结果最好的一个； 根据获得的两类点， 重新计算两类点中的质心重新将所有的点归到两个新的质心 的其中之一， 重复上面的过程， 直到每一类中心在每次迭代后变化不大为止。 0029 本发明提供的再一个实施例中， 在通过AI算法计算出数据阈值中， 中心点是与每 个数据点向量长度相同的位置， 类的数量为预知数量， 类的数量即为中心点的数量， 质心为 。

24、到该类所有点的距离最短的点。 0030 本发明提供的再一个实施例中， AI算法分析步骤中： AI算法采用逻辑回归算法， 对 逻辑回归算法输入一个y， 定义分成两类， 算法具体为原理为： import pandas as pd import numpy as np from sklearn. cluster import KMeans； 算法如下： y =470, 509， 500, 511,435,489,483,483,482。 483, 504, 472,464,481, 501, 581， 507,558, 569,467,38 km =KMeans(n_ clusters2) km.f。

25、it(y) yfcst = km.predict(y) 其中， 输入一个y， 定义分成两类 （自动一类正常， 一类不正常） ， 字段fcst记录了 预测的分类结果， 有两个分类0和1， 但我们不知道哪一类才算正常， 我们一个合理的假定， 分类中多的是正常的， 少的是异常的； 异常判定处理计算如下： labele = yy.fcst=0fcst. count() label1= yy.fcst=1fcst. count() 说明书 4/7 页 7 CN 115797861 A 7 if labell=labele: y isAbnormal =yfcst else: y.1ocyfcst = 0。

26、， isAbnormal=1 y.1ocyfcst = 1， isAbnormal=0 y.columns = data,fcst, isAbnormal y isAbnormal= y isAbnormal . astype(int) y = ydata, isAbnormalll 其中， 记录分类为1的数量和分类为0的数量， 最终用字段isAbnormal记录是否异 常， 0为正常， 1为异常； 并通过字段fcst记录了预测的分类结果， 分类结果只有0和1， 定义分 成的两类分别为一类正常和一类异常， 分类中多的是正常的， 少的是异常的， 逻辑回归算法 进行分析时， 逻辑回归采用两个基本假。

27、设， 第一个基本假设为假设数据服从伯努利分布； 第 二个假设是假设样本为正的概率是符合sigmoid函数输出的， 逻辑回归算法通过对sigmoid 函数进行梯度下降来不断逼近最优解， 梯度下降法包括： 随机梯度下降、 批梯度下降和小批 量梯度下降； 批梯度下降： 会获得全局最优解， 缺点是在更新每个参数的时候需要遍历所有的 数据， 计算量会很大， 每个参数的更新都会很慢。 0031 随机梯度下降： 每次使用一个样本点更新参数。 所以代价的跳动会非常大。 0032 小批量梯度下降： 结合了sgd和batch gd的优点， 每次更新的时候使用n个样本。 减 少了参数更新的次数， 达到更加稳定收敛结。

28、果， 而最后的划分通常会划定一个阈值， 预测值 值大于这个阈值的是一类， 预测值值小于这个阈值的是另外一类。 阈值具体如何调整根据 实际情况选择。 一般会选择0.5做为阈值来划分， 逻辑回归算法中， 使用的损失函数包括一 般有01损失函数、 平方损失函数、 绝对值损失函数、 对数损失函数、 合页损失函数和极大似 然函数中的任意一种； 将极大似然函数取对数以后等同于对数损失函数。 在逻辑回归这个 模型下， 对数损失函数的训练求解参数的速度是比较快的。 而且和sigmod函数本身的梯度 是无关的， 这样更新的速度是自始至终都比较的稳定。 0033 实施例1 一种运用AI技术解决入口段穿带异常的方法。

29、， 包括以下步骤： 安装摄像头步骤： 在彩涂机组入口段布设多个摄像头， 并对摄像头的角度进行调 整， 使得彩涂机组入口位于多个摄像头的视频区域； 组网步骤： 将多摄像头通过网络进行组网， 然后对多个摄像头进行时间调整， 使得 多个摄像头的时间同步， 并依据多个摄像头的视角构建共享空间与世界坐标； 校准步骤： 对多个摄像头依次编序， 并对每个摄像头初始化， 然后对完成初始化的 摄像头与世界坐标进行校准； 采集数据步骤： 摄像头对经过彩涂机组入口的物料的画面进行拍摄， 并自动形成 速度、 进度、 位置参数， 然后将参数与后台同步， 并将同一时间内的彩涂机组运行参数一并 记录到后台并同步； 建立数据。

30、库步骤： 后台依据物料参数和彩涂机组运行参数建立数据库； AI算法分析步骤： 通过AI技术对数据库中数据进行筛选整理， 通过算法识别分析 说明书 5/7 页 8 CN 115797861 A 8 出异常状态的相关性和关联性等规律 判断步骤： 根据异常状态的相关性和关联性等规律， 判断来料情况， 并自动分析判 断出穿带异常状态的几率， 并给出判断和辅助决策建议 实施例2 一种运用AI技术解决入口段穿带异常的方法， 本实施例在实施例1的基础上做进 一步限定， 其中摄像头在穿带过程中实时跟踪穿带过程， 监测带钢卡钢、 堆钢等情况， 并将 同一时间内的物料的速度、 进度、 位置参数和机组运行参数等数据。

31、记录一并存储于数据库 中； 在AI算法分析步骤中， 对数据库中数据进行筛选整理的方法为： 通过AI算法计算出数据阈值： 选择一些组的数据， 并随机初始化各组数据的各自 的中心点； 计算每个数据点到中心点的距离， 将距离中心点最近的数据点划分到一类中； 计算出每一类中的中心点作为新的中心点， 并重复以上步骤， 直到每一类中心在 每次迭代后变化不大为止。 0034 也多次随机初始化中心点， 然后选择运行结果最好的一个； 根据获得的两类点， 重新计算两类点中的质心重新将所有的点归到两个新的质心 的其中之一， 重复上面的过程， 直到每一类中心在每次迭代后变化不大为止； 在通过AI算法 计算出数据阈值中。

32、， 中心点是与每个数据点向量长度相同的位置， 类的数量为预知数量， 类 的数量即为中心点的数量， 质心为到该类所有点的距离最短的点； AI算法分析步骤中： AI算 法采用逻辑回归算法， 对逻辑回归算法输入一个y， 定义分成两类， 算法具体为原理为： import pandas as pd import numpy as np from sklearn. cluster import KMeans； 算法如下： y =470, 509， 500, 511,435,489,483,483,482。 483, 504, 472,464,481, 501, 581， 507,558, 569,467,。

33、38 km =KMeans(n_ clusters2) km.fit(y) yfcst = km.predict(y) 其中， 输入一个y， 定义分成两类 （自动一类正常， 一类不正常） ， 字段fcst记录了 预测的分类结果， 有两个分类0和1， 但我们不知道哪一类才算正常， 我们一个合理的假定， 分类中多的是正常的， 少的是异常的； 异常判定处理计算如下： labele = yy.fcst=0fcst. count() label1= yy.fcst=1fcst. count() if labell=labele: y isAbnormal =yfcst else: y.1ocyfcst 。

34、= 0， isAbnormal=1 y.1ocyfcst = 1， isAbnormal=0 说明书 6/7 页 9 CN 115797861 A 9 y.columns = data,fcst, isAbnormal y isAbnormal= y isAbnormal . astype(int) y = ydata, isAbnormalll 其中， 记录分类为1的数量和分类为0的数量， 最终用字段isAbnormal记录是否异 常， 0为正常， 1为异常； 并通过字段fcst记录了预测的分类结果， 分类结果只有0和1， 定义分 成的两类分别为一类正常和一类异常， 分类中多的是正常的， 少。

35、的是异常的， 逻辑回归算法 进行分析时， 逻辑回归采用两个基本假设， 第一个基本假设为假设数据服从伯努利分布； 第 二个假设是假设样本为正的概率是符合sigmoid函数输出的， 逻辑回归算法通过对sigmoid 函数进行梯度下降来不断逼近最优解， 梯度下降法包括： 随机梯度下降、 批梯度下降和小批 量梯度下降； 批梯度下降： 会获得全局最优解， 缺点是在更新每个参数的时候需要遍历所有的 数据， 计算量会很大， 每个参数的更新都会很慢。 0035 随机梯度下降： 每次使用一个样本点更新参数。 所以代价的跳动会非常大。 0036 小批量梯度下降： 结合了sgd和batch gd的优点， 每次更新的。

36、时候使用n个样本。 减 少了参数更新的次数， 达到更加稳定收敛结果， 而最后的划分通常会划定一个阈值， 预测值 值大于这个阈值的是一类， 预测值值小于这个阈值的是另外一类。 阈值具体如何调整根据 实际情况选择。 一般会选择0.5做为阈值来划分， 逻辑回归算法中， 使用的损失函数包括一 般有01损失函数、 平方损失函数、 绝对值损失函数、 对数损失函数、 合页损失函数和极大似 然函数中的任意一种； 将极大似然函数取对数以后等同于对数损失函数。 在逻辑回归这个 模型下， 对数损失函数的训练求解参数的速度是比较快的。 而且和sigmod函数本身的梯度 是无关的， 这样更新的速度是自始至终都比较的稳定， 以上只通过说明的方式描述了本发明的某些示范性实施例， 毋庸置疑， 对于本领 域的普通技术人员， 在不偏离本发明的精神和范围的情况下， 用各种不同的方式对所描述 的实施例进行修正。 因此， 上述附图和描述在本质上是说明性的， 不应理解为对本发明权利 要求保护范围的限制。 说明书 7/7 页 10 CN 115797861 A 10 图1 说明书附图 1/2 页 11 CN 115797861 A 11 图2 说明书附图 2/2 页 12 CN 115797861 A 12 。