基于支持向量機的產(chǎn)品設計時間預測.pdf

1、產(chǎn)品設計時間預測存在小樣本、不確定數(shù)據(jù)、高度非線性和異方差噪音等問題，常規(guī)的支持向量機模型不能取得滿意效果。產(chǎn)品設計活動的過程雖然缺乏統(tǒng)一框架指導，但并不是沒有知識，在預測模型中嵌入相關知識可提高預測效果。為了更好地分析和控制產(chǎn)品開發(fā)時間，預測模型需提供除預測值以外的其它有用信息。本文針對產(chǎn)品設計時間預測中的問題，提出了四種新的模型。首先在核近似中，即在支持向量回歸的一種線性規(guī)劃形式中，嵌入相關知識，給出不確定數(shù)據(jù)的處理方法，并通過算例

2、對該算法的性能進行了評估。然后針對模糊支持向量回歸沒能考慮異方差噪音的問題，提出了基于帶有參數(shù)不敏感損失函數(shù)的模糊支持向量回歸的產(chǎn)品設計時間預測模型。將概率約束條件與帶有參數(shù)不敏感損失函數(shù)的支持向量回歸相結(jié)合，提出了概率支持向量回歸模型，并嵌入相關知識。最后，假定核函數(shù)回歸模型的權(quán)重向量服從高斯分布，以最小化相對熵為優(yōu)化目標，提出了基于高斯間距核回歸的產(chǎn)品設計時間預測模型。
　　 具體說來，主要在如下四個方面進行了研究:

3、　　 1.建立基于核近似的產(chǎn)品設計時間預測模型。針對產(chǎn)品設計時間預測存在小樣本、不確定數(shù)據(jù)、高度非線性等問題，將不確定數(shù)據(jù)處理成區(qū)間數(shù)，在核近似中引入Hausdorff距離，并將含有區(qū)間數(shù)的知識轉(zhuǎn)換成核近似可嵌入的不等式，證明了知識轉(zhuǎn)化的充分性，提出相應的產(chǎn)品設計時間智能預測方法，給出相關參數(shù)的優(yōu)選方法。進行了注塑模具設計的實例分析，并減少訓練樣本以觀察核近似模型性能的變化，結(jié)果表明基于嵌入知識的核近似的設計時間預測方法是有效的，且訓

4、練樣本的減小并沒有帶來預測性能的顯著下降。
　　 2.建立基于模糊支持向量回歸的產(chǎn)品設計時間預測模型。針對產(chǎn)品設計時間預測存在小樣本、不確定數(shù)據(jù)、異方差噪音等問題，將模糊回歸理論與帶有參數(shù)不敏感損失函數(shù)的支持向量回歸相結(jié)合，基于Necessity模型構(gòu)造約束條件，提出帶有參數(shù)不敏感損失函數(shù)的模糊支持向量回歸，證明了其對偶優(yōu)化問題中的拉格朗日乘子αi和αi*必定滿足αiαi*=0。給出相應的設計活動時間智能預測方法和相關參數(shù)的優(yōu)選

5、算法。與模糊支持向量機相比，該模型的優(yōu)化問題規(guī)模更小。進行了注塑模具設計的實例分析，結(jié)果表明基于帶有參數(shù)不敏感損失函數(shù)的模糊支持向量回歸的時間預測方法是有效和可行的，并減少訓練樣本以觀察模型的性能變化，結(jié)果表明該模型仍可提供有價值的信息。
　　 3.建立基于概率支持向量回歸的產(chǎn)品設計時間預測模型。在異方差回歸模型基礎上設計概率約束條件，結(jié)合帶有參數(shù)不敏感損失函數(shù)的支持向量回歸確定優(yōu)化目標，提出兩種形式的概率支持向量回歸。對于第一

6、種形式的概率支持向量回歸，嵌入最小方差信息，證明了ε-支持向量回歸模型是該模型的一種特殊形式，證明了若該模型以高斯徑向基函數(shù)為核函數(shù)，其對偶優(yōu)化問題中有關拉格朗日乘子λ的解有界。對于第二種形式的概率支持向量回歸，證明了該模型可轉(zhuǎn)換為帶有參數(shù)不敏感損失函數(shù)的支持向量回歸。將最大完工時間知識嵌入進概率支持向量回歸的約束條件，將交叉驗證與遺傳算法相結(jié)合確定概率支持向量回歸的相關參數(shù)。概率支持向量回歸可同時給出預測值和預測區(qū)間，從而可提供更多的

7、產(chǎn)品設計時間信息。進行了注塑模具設計的實例分析，并減少訓練樣本以觀察概率支持向量回歸模型的性能變化，結(jié)果表明基于第一種形式的概率支持向量回歸的時間預測方法是有效的，訓練樣本的減小并沒有帶來預測值精度和預測區(qū)間有效性的顯著下降;對于第二種形式的概率支持向量回歸，盡管其預測區(qū)間的有效性會顯著下降，但是其預測精度得到較好保持。
　　 4.建立基于高斯間距核回歸的產(chǎn)品設計時間預測模型。假定基于核函數(shù)的回歸模型的權(quán)重向量服從高斯分布，以最

8、小化相對熵為優(yōu)化目標，利用預測值的置信區(qū)間設置約束條件，構(gòu)造可同時給出預測值和預測區(qū)間的高斯間距核回歸模型。利用樣本的獨立性和異方差性對優(yōu)化問題進行轉(zhuǎn)化，證明高斯間距核回歸模型具有較好的推廣能力。設計求解相應優(yōu)化問題的迭代方法。假定樣本是同方差的，提出一種簡化高斯間距核回歸模型，并基于兩層遺傳算法完成參數(shù)辨識。以注塑模具設計的實例進行分析，并減少訓練樣本數(shù)量以觀察高斯間距核回歸模型的性能變化，結(jié)果表明盡管高斯間距核回歸的預測區(qū)間的有效性