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, ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。