一种基于粒子群优化支持向量机的质量分析方法技术

本发明专利技术公开了一种基于粒子群优化支持向量机的质量分析方法，首先，运用训练好的支持向量机SVM模型的核函数，将线性不可分的原始数据样本，从低维空间映射到高维空间中，得到线性可分的目标数据集；然后，在高维空间中，对线性可分的目标数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对目标数据集进行分类操作，得到分类结果；最后，根据分类结果，对产品的质量进行分类分析。本发明专利技术采用粒子群算法，优化支持向量机的核函数和惩罚函数的关键参数，为支持向量机模型参数的优化提供了一种可行、高效的方法，并具有较高的产品质量分类准确率，算法复杂度也不会随着数据维度的增加而有明显增加。

A Quality Analysis Method Based on Particle Swarm Optimization Support Vector Machine

The invention discloses a quality analysis method based on particle swarm optimization support vector machine. Firstly, using the kernel function of the trained support vector machine SVM model, the original data samples which are linearly inseparable are mapped from low-dimensional space to high-dimensional space, and the linearly separable target data sets are obtained. Then, in high-dimensional space, the linearly separable target data sets are classified according to their classification. The rule with the largest interval is classified linearly, and the discriminant function of the optimal classification surface is obtained. The target data set is classified and the classification results are obtained. Finally, the product quality is classified and analyzed according to the classification results. The particle swarm optimization algorithm is used to optimize the key parameters of the kernel function and penalty function of the support vector machine, which provides a feasible and efficient method for the optimization of the parameters of the support vector machine model, and has high accuracy of product quality classification, and the complexity of the algorithm will not increase significantly with the increase of data dimension.

【技术实现步骤摘要】
一种基于粒子群优化支持向量机的质量分析方法
本专利技术属于产品质量分析领域，更具体地，涉及一种基于粒子群优化支持向量机的质量分析方法。
技术介绍
产品质量的高低关系到企业的市场核心竞争力，是企业抢占市场获得更多成长空间的关键。产品制造过程中，会产生海量的数据，从中进行产品质量分析显得尤其重要。现有的产品质量分析方法主要有统计过程控制(StatisticalProcessControl，SPC)分析方法和正态贝叶斯分类方法。统计过程控制分析方法是利用统计学相关理论，统计并分析生产过程中收集的大量数据，再按照其特有的方式对生产过程所处的状态进行判断，以达到在产品完成之前就可以对其质量进行评估的目的。这种依靠传统的统计算法来分析多维、海量的产品质量数据的方法已经不能适应制造过程质量数据维度和数量呈爆发式增长的现状。正态贝叶斯分类方法是一种应用数据挖掘技术的机器学习方法，将空间数据集里的数据点，以欧氏距离或者其他度量工具来衡量不同数据点之间的相似性，以相似性的度量大小来对数据进行分类的方法。但正态贝叶斯分类器算法需要的输入数据的属性之间应该相互独立，限制了其应用范围。随着技术的发展，出现了基于支持向量机(SupportVectorMachine，SVM)模型的质量分析方法，SVM算法是运用核函数，在一组数据集中，通过找到最好的分类函数，使得各个类别中的误差度量值最小。但SVM算法的模型参数往往需要人为设定，在SVM构造过程中不再进行更改，不能适应多类型数据，而且根据经验给定值并不能确保是最优的，手动调节参数效率也不高。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于粒子群优化支持向量机的质量分析方法，由此解决现有的质量分类分析方法分类准确率不高的技术问题。为实现上述目的，本专利技术提供了一种基于粒子群优化支持向量机的质量分析方法，包括：(1)运用训练好的支持向量机SVM模型的核函数，将线性不可分的原始数据样本，从低维空间映射到高维空间中，得到线性可分的目标数据集；(2)在高维空间中，对线性可分的目标数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对所述目标数据集进行分类操作，得到分类结果；(3)根据分类结果，对产品的质量进行分类分析。优选地，步骤(1)包括：运用训练好的支持向量机SVM模型的多项式核函数或者高斯径向基核函数等核函数，将低维空间的原始数据样本映射到高维空间中，从而转变成线性可分的目标数据集，使原本线性不可分的原始数据样本变为线性可分。优选地，步骤(2)包括：在高维空间中，对所述目标数据集按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，以根据所述判别函数使得分类后的各个类别的类内距离最小，完成对所述目标数据集的分类操作，得到分类结果。优选地，所述分类间隔为2/||ω||，其中，ω表示最优分类面的法向量，||ω表示该法向量的模长；所述对所述目标数据集按分类间隔最大的规则进行线性分类，包括：对所述目标数据集按使得||ω||/2最小的规则进行线性分类。优选地，所述最优分类面满足使||ω||/2最小，并且使得所述目标数据集能够通过所述最优分类面被正确分类。优选地，所述训练好的支持向量机SVM模型的关键参数采用粒子群算法进行优化，SVM模型的关键参数包括：惩罚系数C和核函数参数a，优化过程包括：S1：随机为粒子种群中的每个粒子指定初始位置和速度参数，其中，将空间向量(C,a)作为粒子群的一个粒子；S2：将经过标记的产品质量数据样本，运用SVM模型的核函数，变换成线性可分的训练数据集，对训练数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对训练数据集进行分类操作，与已知产品质量数据的分类结果对比，计算每个粒子对于经过标记的产品质量数据样本的分类正确率，以分类正确率作为每个粒子的适应度值；S3：更新各粒子的位置和速度，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置；S4：更新种群位置，将每个粒子当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群最佳位置；S5：若迭代次数小于预设最大迭代次数，且种群的最佳适应度值小于预设阈值，则返回步骤S2继续迭代，否则结束迭代，将得到的种群最佳位置作为SVM模型的惩罚系数C和核函数参数a的最优组合，得到训练好的支持向量机SVM模型。优选地，所述SVM的核函数参数a对于不同的核函数表示不同的参数，对于多项式核函数，是指多项式的次数；对于高斯径向基核函数，是指高斯核带宽。优选地，所述经过标记的产品质量数据样本是指已知产品质量数据的分类结果是合格产品还是不合格产品，以及是哪一类不合格产品。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术可以实现基于数据驱动的产品质量分类分析，采用粒子群算法优化支持向量机模型关键参数，能够找到全局最优解，利用支持向量机模型，根据产品质量原始数据样本，进行质量分类分析，提高了分类正确率。(2)本专利技术的复杂度不会随着数据维度的增加而有明显增加，因此随着数据维度和数据量的提升，在不增加算法复杂度的情况下，运用基于粒子群算法(ParticleSwarmOptimization，PSO)优化SVM对多维、海量的数据进行质量分类分析，可以提高产品质量分类正确率。(3)支持向量机模型参数的选取一般是根据数据样本统计信息与核函数参数间的关系，依据经验确定核函数参数的取值，这种方式确定参数后，在SVM构造过程中不再进行更改，不能适应多类型的数据，而且根据经验给定值并不能确保是最优的，手动调节参数效率也不高。因此，本专利技术采用粒子群算法对支持向量机的核函数进行优化，提供了一种可行、有效的SVM模型参数优化方法。(4)本专利技术基于粒子群优化支持向量机进行产品质量分类时，对样本特征值是否独立没有要求，克服了正态贝叶斯分类器算法需要样本特征值相互独立的缺点，因而本专利技术适用范围广。附图说明图1是本专利技术实施例提供的一种基于粒子群优化支持向量机的质量分析方法的流程示意图；图2是本专利技术的第一实施例提供的一种简单的线性二分类图；图3是本专利技术实施例提供的一种PSO优化SVM参数的流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图1所示为本专利技术实施例提供的一种基于粒子群优化支持向量机的质量分析方法的流程示意图，包括：(1)运用训练好的支持向量机SVM模型的核函数，将线性不可分的原始数据样本，从低维空间映射到高维空间中，得到线性可分的目标数据集；(2)在高维空间中，对线性可分的目标数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对所述目标数据集进行分类操作，得到分类结果；(3)根据分类结果，对产品的质量进行分类分析。实施例1本专利技术实施例1的数据集来自变频器和电动汽车功率变换本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化支持向量机的质量分析方法，其特征在于，包括：(1)运用训练好的支持向量机SVM模型的核函数，将线性不可分的原始数据样本，从低维空间映射到高维空间中，得到线性可分的目标数据集；(2)在高维空间中，对线性可分的目标数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对所述目标数据集进行分类操作，得到分类结果；(3)根据分类结果，对产品的质量进行分类分析。

【技术特征摘要】
1.一种基于粒子群优化支持向量机的质量分析方法，其特征在于，包括：(1)运用训练好的支持向量机SVM模型的核函数，将线性不可分的原始数据样本，从低维空间映射到高维空间中，得到线性可分的目标数据集；(2)在高维空间中，对线性可分的目标数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对所述目标数据集进行分类操作，得到分类结果；(3)根据分类结果，对产品的质量进行分类分析。2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：运用训练好的支持向量机SVM模型的多项式核函数或者高斯径向基核函数等核函数，将低维空间的原始数据样本映射到高维空间中，从而转变成线性可分的目标数据集，使原本线性不可分的原始数据样本变为线性可分。3.根据权利要求1所述的方法，其特征在于，步骤(2)包括：在高维空间中，对所述目标数据集按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，以根据所述判别函数使得分类后的各个类别的类内距离最小，完成对所述目标数据集的分类操作，得到分类结果。4.根据权利要求1或3所述的方法，其特征在于，所述分类间隔为2/||ω||，其中，ω表示最优分类面的法向量，||ω||表示该法向量的模长；所述对所述目标数据集按分类间隔最大的规则进行线性分类，包括：对所述目标数据集按使得||ω|/2最小的规则进行线性分类。5.根据权利要求1或3所述的方法，其特征在于，所述最优分类面满足使||ω|/2最小，并且使得所述目标数据集能够通过所述最优分类面被正确分类。6.根据权利要求1所述的方法，其特征在于，所述训练好的支持向量机SVM模型的关键参数...

【专利技术属性】
技术研发人员：彭刚，阮景，刘鑫，
申请(专利权)人：华中科技大学，湖北博华自动化系统工程有限公司，
类型：发明
国别省市：湖北,42