基于改進(jìn)支持向量機(jī)的產(chǎn)品質(zhì)量預(yù)測(cè)研究.pdf

1、學(xué)校代碼：10225學(xué)號(hào)：S16515學(xué)位論文基于改進(jìn)支持向量機(jī)的產(chǎn)品質(zhì)量預(yù)測(cè)研究指導(dǎo)教師姓名：申請(qǐng)學(xué)位級(jí)別：論文提交日期：授予學(xué)位單位：靳江偉董春芳副教授東北林業(yè)大學(xué)碩士學(xué)科專業(yè)：管理科學(xué)與工程2016年4月論文答辯日期：2016年6月東北林業(yè)大學(xué)授予學(xué)位日期：2016年6月答辯委員會(huì)主席：論文評(píng)閱人：未夕厶櫛景大學(xué)摘要摘要質(zhì)量預(yù)測(cè)是質(zhì)量控制的關(guān)鍵環(huán)節(jié)，是一個(gè)動(dòng)態(tài)的系統(tǒng)工程。生產(chǎn)過(guò)程中多種高維非線性、隨機(jī)性因素會(huì)對(duì)產(chǎn)品質(zhì)量產(chǎn)生重要影響

2、，因而建立高精度的產(chǎn)品質(zhì)量預(yù)測(cè)模型對(duì)提高產(chǎn)品質(zhì)量控制能力、降低生產(chǎn)成本具有重要意義。目前，產(chǎn)品質(zhì)量預(yù)測(cè)模型的建立方法主要有兩種：一種是機(jī)理建模方法，另一種是數(shù)據(jù)挖掘方法。由于造成質(zhì)量波動(dòng)的眾多隨機(jī)性、不確定性因素之間存在著復(fù)雜的非線性關(guān)系，難以進(jìn)行確切表達(dá)，致使機(jī)理建模較為困難，因此采用數(shù)據(jù)挖掘算法建立質(zhì)量預(yù)測(cè)模型的方法被廣泛應(yīng)用。然而傳統(tǒng)的統(tǒng)計(jì)質(zhì)量控制必須基于一定的統(tǒng)計(jì)規(guī)則，而且該方法不能滿足對(duì)多種模式進(jìn)行識(shí)別的需要，應(yīng)用于產(chǎn)品質(zhì)量預(yù)

3、測(cè)時(shí)存在一定的局限性。近年來(lái)，人工智能算法取得了迅速發(fā)展，并且被廣泛應(yīng)用于非線性系統(tǒng)的建模與辨識(shí)。支持向量機(jī)作為一種建立在統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上的新型機(jī)器學(xué)習(xí)方法，在解決非線性和高維模式識(shí)別問(wèn)題等方面具有較強(qiáng)優(yōu)勢(shì)，被廣泛應(yīng)用于模式識(shí)別、非線性回歸、時(shí)問(wèn)序列預(yù)測(cè)等方面。針對(duì)產(chǎn)品質(zhì)量預(yù)測(cè)過(guò)程的兩類(lèi)問(wèn)題，對(duì)是否考慮質(zhì)量模型的內(nèi)在機(jī)理，分類(lèi)建立了改進(jìn)的支持向量機(jī)產(chǎn)品質(zhì)量預(yù)測(cè)模型。首先，針對(duì)能夠確定具體影響因素，具有確定輸入

4、輸出關(guān)系的多因素產(chǎn)品質(zhì)量模型，引入灰色關(guān)聯(lián)分析方法作為屬性預(yù)處理器，選取關(guān)鍵質(zhì)量影響因素，采用網(wǎng)格搜索算法進(jìn)行模型參數(shù)尋優(yōu)，’建立了基于灰色關(guān)聯(lián)支持向量機(jī)的多因素產(chǎn)品質(zhì)量預(yù)測(cè)模型；其次，針對(duì)模型未知，難以辨識(shí)產(chǎn)品質(zhì)量過(guò)程或者難以確定輸入輸出關(guān)系的質(zhì)量模型，基于生產(chǎn)歷史數(shù)據(jù)建立產(chǎn)品的質(zhì)量預(yù)測(cè)模型，引入相空間重構(gòu)理論對(duì)時(shí)間序列進(jìn)行向量空間重構(gòu)，汲取遺傳算法的優(yōu)勢(shì)特性進(jìn)行模型參數(shù)尋優(yōu)，改進(jìn)支持向量機(jī)模型，建立了面向時(shí)間序列的GASVM產(chǎn)品質(zhì)量