混合分類算法及其在質(zhì)量改進中的應(yīng)用研究.pdf

1、質(zhì)量是制造業(yè)的生命線。當(dāng)今的制造業(yè)已經(jīng)進入了信息化、智能化、網(wǎng)絡(luò)化的新階段，質(zhì)量分析與改進問題是高維、海量、復(fù)雜數(shù)據(jù)的分類問題。本文針對質(zhì)量分析與改進問題的分類算法展開深入研究。
　　主要研究內(nèi)容及成果如下：
　　1.提出了基于ISOMAP核空間的混合流形學(xué)習(xí)與支持向量機算法
　　針對歐式空間中高維、海量、復(fù)雜質(zhì)量數(shù)據(jù)的分析與改進問題，提出了基于ISOMAP核空間的混合流形學(xué)習(xí)與支持向量機算法(An ISOMAP ke

2、rnel based hybrid manifold learning and support vector machines algorithm，IKML-SVM)。該算法通過等距映射(Isometric mapping，ISOMAP)核空間將ISOMAP算法與支持向量機算法(Support vector machines，SVMs)有機結(jié)合，并推導(dǎo)了該核空間上的核函數(shù)。通過UCI數(shù)據(jù)集上的實驗，對比了無參的ISOMAP核函數(shù)與SVM

3、常用核函數(shù)在UCI數(shù)據(jù)集上的分類表現(xiàn)，驗證了ISOMAP核函數(shù)是IKML-SVM的最優(yōu)核函數(shù)，IKML-SVM算法是一種高效、精確和低數(shù)據(jù)質(zhì)量依賴的分類算法。
　　2.提出了基于相異度核空間的混合流形學(xué)習(xí)與支持向量機算法
　　針對非歐空間中的質(zhì)量數(shù)據(jù)，提出了基于相異度核空間的混合流形學(xué)習(xí)與支持向量機算法(Dissimilarity based kernel space for support vector machines，

4、DKS-SVM)，作為IKML-SVM算法的補充。使用加常數(shù)法構(gòu)建了相異度核空間，并推導(dǎo)了該核空間上的核函數(shù)。通過在UCI數(shù)據(jù)集上的分類精度實驗，驗證了DKS-SVM算法與相異度核函數(shù)的有效性。
　　3.提出了基于流形學(xué)習(xí)的決策分析算法
　　為了在低維嵌入上提取質(zhì)量改進規(guī)則，提出了基于流形學(xué)習(xí)的決策分析算法(Decision analysis algorithm based on manifold learning，DAML

5、)。DAML算法所包含的基于等價支持子集重要度算法(Support subset significant algorithm based on equivalence relation，S3ER)能夠分析條件屬性對決策屬性的重要度、區(qū)分能力和等價支持子集，最后根據(jù)等價支持子集提取決策規(guī)則。通過在UCI數(shù)據(jù)集上的實驗，驗證了DAML算法在低維嵌入上提取決策規(guī)則的有效性。
　　4.某航空企業(yè)案例研究
　　將 IKML-SVM算法