基于改進支持向量機的產(chǎn)品質(zhì)量預(yù)測研究.pdf

1、學(xué)校代碼：10225學(xué)號：S16515學(xué)位論文基于改進支持向量機的產(chǎn)品質(zhì)量預(yù)測研究指導(dǎo)教師姓名：申請學(xué)位級別：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月答辯委員會主席：論文評閱人：未夕厶櫛景大學(xué)摘要摘要質(zhì)量預(yù)測是質(zhì)量控制的關(guān)鍵環(huán)節(jié)，是一個動態(tài)的系統(tǒng)工程。生產(chǎn)過程中多種高維非線性、隨機性因素會對產(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)測模型對提高產(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)測模型的建立方法主要有兩種：一種是機理建模方法，另一種是數(shù)據(jù)挖掘方法。由于造成質(zhì)量波動的眾多隨機性、不確定性因素之間存在著復(fù)雜的非線性關(guān)系，難以進行確切表達，致使機理建模較為困難，因此采用數(shù)據(jù)挖掘算法建立質(zhì)量預(yù)測模型的方法被廣泛應(yīng)用。然而傳統(tǒng)的統(tǒng)計質(zhì)量控制必須基于一定的統(tǒng)計規(guī)則，而且該方法不能滿足對多種模式進行識別的需要，應(yīng)用于產(chǎn)品質(zhì)量預(yù)

3、測時存在一定的局限性。近年來，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。支持向量機作為一種建立在統(tǒng)計學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險最小化原則基礎(chǔ)上的新型機器學(xué)習(xí)方法，在解決非線性和高維模式識別問題等方面具有較強優(yōu)勢，被廣泛應(yīng)用于模式識別、非線性回歸、時問序列預(yù)測等方面。針對產(chǎn)品質(zhì)量預(yù)測過程的兩類問題，對是否考慮質(zhì)量模型的內(nèi)在機理，分類建立了改進的支持向量機產(chǎn)品質(zhì)量預(yù)測模型。首先，針對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)支持向量機的多因素產(chǎn)品質(zhì)量預(yù)測模型；其次，針對模型未知，難以辨識產(chǎn)品質(zhì)量過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)測模型，引入相空間重構(gòu)理論對時間序列進行向量空間重構(gòu)，汲取遺傳算法的優(yōu)勢特性進行模型參數(shù)尋優(yōu)，改進支持向量機模型，建立了面向時間序列的GASVM產(chǎn)品質(zhì)量