CN109670687A - 一种基于粒子群优化支持向量机的质量分析方法 - Google Patents
一种基于粒子群优化支持向量机的质量分析方法 Download PDFInfo
- Publication number
- CN109670687A CN109670687A CN201811487699.3A CN201811487699A CN109670687A CN 109670687 A CN109670687 A CN 109670687A CN 201811487699 A CN201811487699 A CN 201811487699A CN 109670687 A CN109670687 A CN 109670687A
- Authority
- CN
- China
- Prior art keywords
- classification
- particle
- data set
- target data
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明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。
Description
技术领域
本发明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。
背景技术
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(Statistical Process Control,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(SupportVector Machine,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。
发明内容
针对现有技术的以上缺陷或改进需求,本发明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,本发明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,通过本发明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)本发明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)本发明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(Particle SwarmOptimization,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,本发明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)本发明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,因而本发明适用范围广。
附图说明
图1是本发明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是本发明的第一实施例提供的一种简单的线性二分类图;
图3是本发明实施例提供的一种PSO优化SVM参数的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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发明,并不用于限定本发明。此外,下面所描述的本发明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所示为本发明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
本发明实施例1的数据集来自变频器和电动汽车功率变换器等产品的空载、不同负载、绝缘耐压和高温老化测试等数据,经过以下步骤,进行产品质量分析:
步骤(1):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。
进一步地,核函数可以采用多项式核函数K(x,xi)=[(x·xi)+1]d或者高斯径向基核函数K(x,xi)=exp[(-|x-xi|2)/σ2]。其中,x和xi表示两个不同的训练样本,d表示多项式次数,σ表示高斯核带宽。
进一步地,本实施例中,核函数采用高斯径向基核函数。
步骤(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,以根据判别函数使得分类后的各个类别的类内距离最小,完成对目标数据集的分类操作,得到分类结果。
如图2所示,实线代表最优分类面,将离平面最近的数据点代入分类线平面函数(ω·x)+b,其结果为1或者-1,那么对于该样本集内的其他数据,应该要满足如下不等式:
yi((ω·xi)+b)≥1
其中,ω表示最优分类面的法向量,b表示位移项,xi表示一个样本,yi表示样本xi的标记。
进一步地,分类间隔定义为2/||ω||,其中,ω表示最优分类面的法向量,||ω||表示这个法向量的模长。
对目标数据集按分类间隔最大的规则进行线性分类,包括:
对目标数据集按使得||ω||/2最小的规则进行线性分类,即使得分类间隔2/||ω||最大的规则进行线性分类。
进一步地,最优分类面满足使||ω|/2最小,并且使得目标数据集能够通过最优分类面被正确分类。
进一步地,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和高斯径向基核函数的高斯核带宽σ。
如图3所示,采用粒子群PSO算法优化SVM的关键参数,通过粒子群搜索算法,将使得训练数据集分类准确率最高的SVM模型参数作为SVM模型的惩罚系数C和高斯核带宽σ的最优组合,得到训练好的支持向量机SVM模型,优化过程的具体步骤如下:
S1:初始化参数,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,σ)作为粒子群的一个粒子。
粒子群算法的数学模型表述为:在D维空间里有N个粒子,粒子i的位置是xi=(xi1,xi2,...,xiD),对应的速度是vi=(vi1,vi2,...,viD),适应度函数为f(x),计算xi的适应度为f(xi),粒子i个体走过的最好位置为pbesti=(pi1,pi2,...,piD),种群走过的最佳位置为gbest=(g1,g2,...,gD)。
本实施例中,粒子的数量为40个,粒子i的位置为(xi,C,xi,σ),其中,xi,C代表惩罚系数C值大小,xi,σ代表高斯核带宽σ值大小,粒子i的速度为(vi,C,vi,σ),vi,C表示粒子i的惩罚系数C分量的速度矢量,vi,σ表示粒子i的高斯核带宽σ分量的速度矢量。
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。
本实施例中,训练数据集的大小为1500条记录数据,每条记录数据包括:空载和不同负载下的电流和机箱温度、绝缘耐压值等数据。
S3:更新各粒子的位置和速度,根据下面的公式更新粒子的当前位置,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pbesti。
其中,pbesti=(pi1,pi2,...,piD)表示粒子i个体经过的最佳位置,gbest=(g1,g2,...,gD)表示种群最佳位置;
代表第k次迭代粒子i速度矢量的第d维分量;w代表惯性权重(在本实施例中,优选取值为0.9);代表第k-1次迭代粒子i速度矢量的第d维分量;代表第k-1次迭代粒子i位置矢量的第d维分量;代表第k次迭代粒子i位置矢量的第d维分量;c1和c2代表加速度常数(在本实施例中,优选取值为2.0),用于调整更新步长;r1和r2是范围在0到1的随机数,用以增强搜索随机性,pbestid表示粒子i个体经过的最佳位置矢量的第d维分量,gbestd表示种群最佳位置矢量的第d维分量。
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k小于预设最大迭代次数Gmax,即k<Gmax,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和高斯核带宽σ的最优组合,得到训练好的支持向量机SVM模型。
进一步地,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。
进一步地,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,不合格产品包括不同质量问题的产品。
步骤(3):根据分类结果,对产品的质量进行分类分析。
进一步地,产品质量分类分析包括质量合格产品以及不同质量问题的产品,然后,根据不同质量问题产生的原因,进行有针对性解决。当某类质量问题发生次数较多时,及时反映给产品生产装配部门或产品原料采购部门或产品研发部门,杜绝或减少这类质量问题的发生。
实施例2
本实施例中,核函数采用多项式核函数。
进一步地,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和多项式核函数的多项式次数d。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
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。
7.根据权利要求6所述的方法,其特征在于,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。
8.根据权利要求6所述的方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487699.3A CN109670687B (zh) | 2018-12-06 | 2018-12-06 | 一种基于粒子群优化支持向量机的质量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487699.3A CN109670687B (zh) | 2018-12-06 | 2018-12-06 | 一种基于粒子群优化支持向量机的质量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670687A true CN109670687A (zh) | 2019-04-23 |
CN109670687B CN109670687B (zh) | 2021-03-26 |
Family
ID=66143625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487699.3A Active CN109670687B (zh) | 2018-12-06 | 2018-12-06 | 一种基于粒子群优化支持向量机的质量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670687B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
CN112100497A (zh) * | 2020-09-14 | 2020-12-18 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
CN112700167A (zh) * | 2021-01-14 | 2021-04-23 | 华南理工大学 | 基于差分进化的产品质量指标预测方法 |
CN113112130A (zh) * | 2021-03-23 | 2021-07-13 | 合肥工业大学 | 高端装备制造过程质量在线监测方法及系统 |
CN116308579A (zh) * | 2023-02-23 | 2023-06-23 | 葛洲坝集团交通投资有限公司 | 基于粒子群-svm的工程造价确定方法、系统及产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
-
2018
- 2018-12-06 CN CN201811487699.3A patent/CN109670687B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
CN112100497A (zh) * | 2020-09-14 | 2020-12-18 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
CN112100497B (zh) * | 2020-09-14 | 2021-10-19 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
CN112700167A (zh) * | 2021-01-14 | 2021-04-23 | 华南理工大学 | 基于差分进化的产品质量指标预测方法 |
CN113112130A (zh) * | 2021-03-23 | 2021-07-13 | 合肥工业大学 | 高端装备制造过程质量在线监测方法及系统 |
CN113112130B (zh) * | 2021-03-23 | 2022-09-30 | 合肥工业大学 | 高端装备制造过程质量在线监测方法及系统 |
CN116308579A (zh) * | 2023-02-23 | 2023-06-23 | 葛洲坝集团交通投资有限公司 | 基于粒子群-svm的工程造价确定方法、系统及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN109670687B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670687A (zh) | 一种基于粒子群优化支持向量机的质量分析方法 | |
Zhu et al. | Balanced contrastive learning for long-tailed visual recognition | |
CN106528642B (zh) | 一种基于tf-idf特征提取的短文本分类方法 | |
CN109960799B (zh) | 一种面向短文本的优化分类方法 | |
CN104991974A (zh) | 一种基于粒子群算法的多标签分类方法 | |
CN107066555B (zh) | 面向专业领域的在线主题检测方法 | |
CN104050242A (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
CN109993225B (zh) | 一种基于无监督学习的空域复杂度分类方法及装置 | |
CN103617429A (zh) | 一种主动学习分类方法和系统 | |
CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
CN108664653A (zh) | 一种基于K-means的医疗消费客户自动分类方法 | |
CN106778834A (zh) | 一种基于距离测度学习的ap聚类图像标注方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
Biloš et al. | Scalable normalizing flows for permutation invariant densities | |
CN110210529A (zh) | 一种基于二进制量子粒子群算法的特征选择方法 | |
CN118194067B (zh) | 一种基于多维高斯混合模型的广告外溢检测方法 | |
Xueli et al. | An improved KNN algorithm based on kernel methods and attribute reduction | |
He et al. | Single-stage heavy-tailed food classification | |
CN109978023A (zh) | 面向高维大数据分析的特征选择方法及计算机存储介质 | |
CN111562541B (zh) | 一种应用cart算法实现电能表检测数据管理的软件平台 | |
TWI700492B (zh) | 模塑化特徵質譜圖譜與鑑別模型建立之方法及分析、鑑別微生物表徵之方法 | |
CN106202562B (zh) | 一种降低敏感信息误判率的方法 | |
CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
CN104376124A (zh) | 一种基于扰动吸收原理的聚类算法 | |
CN109934344A (zh) | 一种改进的基于规则模型的多目标分布估计算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |