肖思昌，靳经，潘敏，柳明

（1.国网武汉供电公司，湖北 武汉 430013；2.国网湖北省电力有限公司，湖北 武汉 430000）

目前，目标识别在计算机领域中，成为热点研究话题，并且，目标识别的方法应用也较为广泛，尤其是在电力企业中，由于其环境较为复杂，基于机器学习的多类目标识别，可有效将其运用在电力设备中，识别到准确的数据信息，不断提高识别率，达到良好的识别效果。在其应用过程中，采用相应的方法，对目标进行精准识别，可有效加快目标识别速度，并在机器学习的基础上，完善整体框架，以推动科技领域的良好发展。

1 机器学习的基本理论

1.1 统计学习

统计学习理论是一种新型算法，其能够计算较为复杂的数据，在该理论应用的过程中，通常会应用到计算机设备。在该理论中，支持向量机是较为常见的机器学习算法，该算法与传统算法有所不同，在风险最小时，可对统计学习方法进行有效优化。在该模型中，可创建相应的空间，并明确各个维度的目标特征，结合特性之间存在的差异以及明确支撑向量，以此建立模型，利用数学公式描述则为：

根据两条直线可求得最大值以及最小值，并将其进行有效优化，如，

式中，ζi代表松弛变量，可对相关问题进行有效求解。因此，在支持向量机的应用过程中，可有效针对超平面的向量进行求解，并降低其风险，使风险达到最小化。同时，在该算法的应用过程中，其具有较大的优势，在实际的应用时，可将其灵活的应用在各个类型中，能够快速处理高维数据，避免对计算资源进行大量消耗，以此取得良好的应用成果。

此外，在统计学习理论中，还包含Softmax函数，该函数也可被称为指数函数，能够在多个领域进行推广。该函数中的任一元素和均为1，机器学习中，通常会输入相应的向量，并输出与之相应的概率，其数值在0-1之间，其中Softmax函数的表达式为，

该函数在计算过程中，其较为稳定，不会出现较多的问题，造成算法过于复杂。在实际的应用时，该函数可有效解决分类问题，其经常应用在图像识别算法中，从而达到良好的使用效果。

1.2 深度学习

深度学习理论也是机器学习中的领域之一，该理论应用的范围相对较广，如，图像识别、语音识别等。在该理论深入的研究下，不断将其转为网络探索，并利用数学工具，可有效培养深层神经网络，并使技术得到迅速提升。在神经网络中通常由多项神经元构成，并进行简便计算，在深度学习理论中，神经网络技术较为常见。该技术具有良好的模块结构，在其计算应用过程中，具有较强的适应性，避免出现较多的问题，影响计算效果。在神经网络结构中包含较多的内容，全连接就是其中的一种形式，也是较为基本的计算方式。在该方式的应用下，可应对复杂的电力设备进行分解，有效利用电力设备的拍摄结构，通过将各个节点进行有效连接，致使其参数量相较大，数值也相对较大。在实际的计算过程中，需花费大量的时间，影响整体的计算效果，神经网络结构中还包括激活函数。通过对该函数的应用，可有效将模型带入到非线性的特征中。在应用过程中，具有良好的效果。此外，在神经网络模型中，还包含代价函数，该函数也是较为常用的函数之一，其公式如下：

通过对上述公式的应用，可有效通过模型计算出具体的测量结果，并充分判断结果的真实性，从而得出准确的数值。

2 基于机器学习的多类目标识别的具体方法

2.1 虚拟数据识别方法

基于机器学习，可有效进行目标识别，在实际的识别过程中，可采用虚拟数据的识别方法，如Faster R-CNN、DPM、Haar分类器等，通过该三类方法的应用，可有效对目标进行准确识别，以实现目标识别的效果。

其中，在Faster R-CNN方法的应用过程中，可应用在深入的目标识别中，该方法是由区域网络以及目标识别网络相结合构成的识别方法，在该方法中还可将其进行有效划分，分成回归网络以及目标分值网络。为此，在实际输出的过程中，会显示出被检测图像的相关区域位置实际坐标，以及相应的分值。其中在电力企业运行过程中，可通过该方法对制定目标进行有效识别，对电力设备影像进行标注，以此提高电力设备识别效率。

同时，DPM方法时利用HOG的主要特点以获取相应的目标信息，并构建目标与部件之间的相应关系，以此有效识别具体的目标物体。在DPM方法应用过程中，也可应用在为标准具体部件的情形下。针对该情况，可有效利用分辨率图像掌握HOG的主要特征，并通过对模型的有效应用，以此充分表示防振锤的各个角度。并在此过程中，还需利用latentsvm方法形成相关的防振锤模型，通过对其有效识别，可充分了解各个模型之间存在的关系，明确各个模型具体的位置。

在此基础上，利用虚拟数据模仿相应的场景时，能够准确的了解目物体的具体位置，并在应用haar分类器时，则针对不同的器具建立相应的分类器。并且，通过adaboost计算时，需输入类似正方形大小的数据集，则输出的结果均为各个目标物体的外接正方形。但是，在分类器应用的过程中，其特征相对较少，难以得到良好的分类效果，无法高效完成目标识别工作，影响整体的识别效果。通过对虚拟数据识别方法，可有效对电力影像问题进行充分模拟，并利用虚拟影像进行充分标记，以此进行科学的目标识别，取得良好的应用成果。

2.2 增强迁移学习目标识别

基于机器学习的目标识别方法中，还包括增强迁移学习目标识别，其中，在机器学习中，神经网络需学习较多的参数，并需耗费较多的计算量，在各个分类任务中，均需重新获取搜集相应的数据，进行标注，构建模型等。该过程较为复杂，尤其是在模型的前期构建过程中，其影响模型的精确率，其中迁移学习是机器学习中的领域之一，可有效应用在电力设备的识别中。

通过迁移学习，可有效将无法构建出完整模型的相关参数，迁移到新的模型中，从而可充分解决有关问题，迁移学习在机器学习中占据重要的地位，在目标识别过程中，迁移学习方法包含两种形式，对已出现识别错误率偏高的目标提高数据辨识度。同时，在图像数据处理过程中，应当采用空间几何以及像素点变换的方式，利用空间几何变换，则可直接进行旋转平移。在放射变换过程中，尽量在信息保留的情形下，最大化的增强神经网络。通过迁移学习，可有效使电力设备对实拍影像进行有效检测，并且，在电力影像像素点变换时，应当采用图像增强以及去噪的方式进行有效变换，以此能够有效的降低分辨失误率，减少误差值，以降低目标域出现较大的差值的效果。

在迁移学习的目标识别过程中，可有效处理数据过于依赖的问题，并降低出现问题的概率。通过对该方法的应用，能够及时处理分类错误的问题，在目标识别的基础上，提高目标物体的识别率，以对分类错误的样本进行有效改正，并不断引进先进的理念，以减小迁移学习中带来的误差。因此，在该方法的应用过程中，可更好地处理参数初始化的问题，避免目标域受到较大的影响，难以完成分类任务。从而在增强迁移学习的目标识别方法中，可对相应的分类器进行充分利用，并对其读取的数值进行有效的融合，以此利用平均值的方式，以获取目标物体的实际情况，以及各个物体间的方差，了解相关类别中共有特性，从而增强目标识别的准确率。

2.3 复用特征目标识别

基于机器学习的神经网络，在计算机领域起到了显著的作用，通常应用在目标识别过程中，其具有较大的优势。在卷积计算过程中，可将其融入到神经网络中，以此达到优化数据的效果，得出较小的计算量，以此不断推动机器学习的有效发展，提高其学习高度。在电力设备的运行中，不断采用复用特征的方法以完成目标识别的工作，从而提高识别设备的使用性能。

在对该方法应用的过程中，需合理选择复用特征，选择时，需结合人脑的控制机制，若大脑接收到外界信息时，无法对其进行全面处理。但对针对该目标集中注意力，可有效忽视相关不重要信息，以此提高整体的处理效率，通过注意力集中处理，使计算维度逐渐下降。并以不同的形式展现，在电力企业发展过程中，可将该方法应用在图像识别过程中。利用该方法能够有效降低计算维度，并对无效信息进行全面过滤，以此提高目标识别率，可达到良好的识别效果。

3 结语

总之，基于机器学习的多类目标识别使我国研究的主要方向之一，在目标识别过程中，需以图像分类任务为基本原理，明确具体的识别过程，对机器学习展开有效分析，了解其各个理论的实际应用以及其计算公式。并在实际的目标识别过程中，选用相适宜的方法，对数据参数进行不断优化，从而能够加快计算速度，进一步发挥目标识别的自身优势，使其得到广泛应用。