制造业自动化
製造業自動化
제조업자동화
Manufacturing Automation
2015年
18期
127-130
,共4页
PSO%SVM%控制图
PSO%SVM%控製圖
PSO%SVM%공제도
传统的粒子群支持向量机(PSO-SVM)识别控制图算法主要研究的是利用PSO算法优化SVM决策函数中所含的参数然后进行控制图的识别,没有把SVM所用的特征向量作为变量进行一起优化改进,即所有优化过的决策函数都用的是同样的特征向量.把特征向量也作为优化变量并把这种算法和以前的网格搜索算法和传统PSO算法在控制图识别精度和所用的迭代次数上做了比较,发现改进后的算法在识别精度相近的情况下迭代次数明显减少,更加有利于控制图的在线应用.
傳統的粒子群支持嚮量機(PSO-SVM)識彆控製圖算法主要研究的是利用PSO算法優化SVM決策函數中所含的參數然後進行控製圖的識彆,沒有把SVM所用的特徵嚮量作為變量進行一起優化改進,即所有優化過的決策函數都用的是同樣的特徵嚮量.把特徵嚮量也作為優化變量併把這種算法和以前的網格搜索算法和傳統PSO算法在控製圖識彆精度和所用的迭代次數上做瞭比較,髮現改進後的算法在識彆精度相近的情況下迭代次數明顯減少,更加有利于控製圖的在線應用.
전통적입자군지지향량궤(PSO-SVM)식별공제도산법주요연구적시이용PSO산법우화SVM결책함수중소함적삼수연후진행공제도적식별,몰유파SVM소용적특정향량작위변량진행일기우화개진,즉소유우화과적결책함수도용적시동양적특정향량.파특정향량야작위우화변량병파저충산법화이전적망격수색산법화전통PSO산법재공제도식별정도화소용적질대차수상주료비교,발현개진후적산법재식별정도상근적정황하질대차수명현감소,경가유리우공제도적재선응용.
