1.一种具有抗特征噪声性能的钢板表面缺陷分类方法，包括针对原始的钢板表面缺陷样本集，每一类原始的缺陷样本子集建立一个支持向量数据描述子模型,其特征在于包括以下步骤：步骤1：针对每一个支持向量数据描述子模型，构造大超球体和小超球体，并统计大超球体内部的样本数目和小超球体内部的样本数目；

步骤2：以大超球体内部的样本数目和小超球体内部的样本数目为初始条件，对惩罚参数进行比例迭代调整，并训练相应的支持向量数据描述子模型，获得具有抗特征噪声能力的最佳超球体；

步骤3：根据每一个最佳超球体，从原始的钢板表面缺陷样本集中剔除超球体内部的样本，从而获得稀疏的钢板表面缺陷样本集；

步骤4：建立新的具有抗特征噪声能力的支持向量超球体多类分类器，该分类器以孪生超球体支持向量机二类分类器为基础，引入新的抗特征噪声约束条件，并以最佳超球体的球心为辅助信息来改进目标函数；

步骤5：利用稀疏的钢板表面缺陷样本集和最佳超球体的球心对新的多类分类器模型进行训练；

步骤6：将钢板表面缺陷测试样本输入到新的多类分类器，完成缺陷的自动识别。

2.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤1构造大超球体和小超球体以及统计大超球体内部的样本数目和小超球体内部的样本数目，步骤如下：步骤1-1：选择一个大惩罚参数 和一个小惩罚参数

步骤1-2：利用原始的缺陷样本子集 分别训练具有大惩罚参数和小惩罚参数的支持向量数据描述子模型，获得一个大超球体 和一个小超球体步骤1-3：统计 和 内部的样本数目，分别为 和

3.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤2对惩罚参数进行比例迭代调整、训练支持向量数据描述子模型和获得具有抗噪声能力的最佳超球体，步骤如下：步骤2-1：计算比例惩罚参数 其公式如下：

n*

式中m 是用户给定的第n类稀疏子集的样本数目；

步骤2-2：利用原始的缺陷样本子集 训练具有惩罚参数 的支持向量数据描述子模型，获得一个超球体 统计得到这个超球体内部的样本数目是 和外部的样本数目是步骤2-3：判断条件mn(t)∈[mn*-Δmn,mn*+Δmn]是否成立，Δmn是实际稀疏集合的样本数目与给定稀疏集合的样本数目之间误差，如果条件不成立，进入下一步，如果条件成立，则最佳超球体 惩罚参数 通过外部所有的样本来抑制特征噪声的干扰，结束；

步骤2-4：如果 那么按照 和 更新 和

如果 那么按照 和 更新 和

然后返回步骤2-1。

4.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤3从原始的钢板表面缺陷样本集中剔除超球体内部的样本和获得稀疏的钢板表面缺陷样本集的过程如下：第n类原始的缺陷样本子集 用于训练具有惩罚参数 的支持向量数据描述子模型，得到的是最佳超球体 当 满足 为 内部的样本，从中这些样本剔除，剩余的样本组成稀疏的缺陷样本子集 是稀疏子集的第i个样本，mn是稀疏子集的样本数目。

5.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤4建立新的具有抗噪声能力的支持向量超球体多类分类器过程如下：新的多类分类器具有N个子分类器模型，第n个子分类器依靠稀疏的缺陷样本子集和对应的最佳超球体 的球心 建立，其多类分类器模型如下：式中cn和vn是惩罚参数，Tn＝{1,…,n-1,n+1,…,N}，On和Rn是Ωn的球心和半径，Ωn是第n个子分类器构造的分类超球体，目标函数的项 是第u类原始的钢板表面缺陷样本子集对应的最佳超球体的球心 对应满足 的 值， 和 是缺陷样本的间隔误差，新的约束条件 和 迫使

分类超球体Ωn通过 中所有的样本构建，从而使Ωn获得抑制特征噪声干扰的性能；

对上述模型进行推导，可求得分类超球体Ωn的参数，其公式如下：式中pn＝1/(1-vn(N-1))， 通过求解下面的凸二次规划问题获得，其凸二次规划问题描述如下：

6.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤6缺陷的自动预测识别过程如下：新的多类分类器能够直接完成钢板表面缺陷测试样本的多类识别；对于一个未标签的样本x的预测，其预测公式如下：