浙江工业大学学报
浙江工業大學學報
절강공업대학학보
Journal of Zhejiang University of Technology
2012年
5期
532-536
,共5页
兰秀菊%张丽霞%鲁建厦%陈呈频
蘭秀菊%張麗霞%魯建廈%陳呈頻
란수국%장려하%로건하%진정빈
控制图模式%模式识别%小波分析%PSO-SVM
控製圖模式%模式識彆%小波分析%PSO-SVM
공제도모식%모식식별%소파분석%PSO-SVM
由于质量过程的复杂性,质量过程数据常会有多种异常的混合现象,为了提高对控制图混合模式的识别效果,将支持向量机(Support vector machine,SVM)分类器的参数经过粒子群优化算法(Particle swarm optimization,PSO)算法优化,然后与小波分析技术相结合,设计了三层控制图模式识别模型.该模型首先识别模式是否正常,如果发现异常,则对异常的模式进行小波包分解,将分解后的低频部分和高频部分分别输入第二层和第三层PSO-SVM分类器中进行模式的分类识别.通过仿真实验的验证得,该模型的平均识别率为98.33％,对混合模式的识别率也在95％之上,由此证明了该控制图模式识别模型的有效性.最后,对该模型进行了实例验证,该模型可以很好的识别出控制图混合模式,证明了模型的可行性.
由于質量過程的複雜性,質量過程數據常會有多種異常的混閤現象,為瞭提高對控製圖混閤模式的識彆效果,將支持嚮量機(Support vector machine,SVM)分類器的參數經過粒子群優化算法(Particle swarm optimization,PSO)算法優化,然後與小波分析技術相結閤,設計瞭三層控製圖模式識彆模型.該模型首先識彆模式是否正常,如果髮現異常,則對異常的模式進行小波包分解,將分解後的低頻部分和高頻部分分彆輸入第二層和第三層PSO-SVM分類器中進行模式的分類識彆.通過倣真實驗的驗證得,該模型的平均識彆率為98.33％,對混閤模式的識彆率也在95％之上,由此證明瞭該控製圖模式識彆模型的有效性.最後,對該模型進行瞭實例驗證,該模型可以很好的識彆齣控製圖混閤模式,證明瞭模型的可行性.
유우질량과정적복잡성,질량과정수거상회유다충이상적혼합현상,위료제고대공제도혼합모식적식별효과,장지지향량궤(Support vector machine,SVM)분류기적삼수경과입자군우화산법(Particle swarm optimization,PSO)산법우화,연후여소파분석기술상결합,설계료삼층공제도모식식별모형.해모형수선식별모식시부정상,여과발현이상,칙대이상적모식진행소파포분해,장분해후적저빈부분화고빈부분분별수입제이층화제삼층PSO-SVM분류기중진행모식적분류식별.통과방진실험적험증득,해모형적평균식별솔위98.33％,대혼합모식적식별솔야재95％지상,유차증명료해공제도모식식별모형적유효성.최후,대해모형진행료실례험증,해모형가이흔호적식별출공제도혼합모식,증명료모형적가행성.
