基于支持向量機(jī)的產(chǎn)品設(shè)計(jì)推理模型研究

燕鳴 閆德光

摘要： 為提高產(chǎn)品設(shè)計(jì)的智能化程度，面向產(chǎn)品設(shè)計(jì)中主體參數(shù)設(shè)計(jì)過程，以支持向量機(jī)作為推理算法，提出基于支持向量機(jī)的產(chǎn)品參數(shù)預(yù)測模型。分析了支持向量機(jī)方法，并建立相應(yīng)的算法流程，通過數(shù)據(jù)歸一化方法對數(shù)據(jù)集進(jìn)行歸一化，去除量綱對訓(xùn)練結(jié)果的影響，并通過遺傳算法對算法進(jìn)行優(yōu)化，優(yōu)選參數(shù)，最后收集企業(yè)數(shù)據(jù)，劃分訓(xùn)練集和測試集，訓(xùn)練出模型后用測試集進(jìn)行驗(yàn)證，結(jié)果表明算法正確率在90%以上，計(jì)算時(shí)間在0.8s以內(nèi)，能夠滿足應(yīng)用需求，同時(shí)也驗(yàn)證了該算法能夠提高產(chǎn)品設(shè)計(jì)的效率，從而降低設(shè)計(jì)成本。

關(guān)鍵詞： 支持向量機(jī);產(chǎn)品設(shè)計(jì);模型推理

中圖分類號(hào)： TH122??? 文獻(xiàn)標(biāo)識(shí)碼： A??? 文章編號(hào)： 1672-9129（2018）09-0112-02

abstract ：In order to improve the intelligentized degree of product design， a product parameter prediction model based on support vector machine is proposed in this paper， which is oriented to the process of subject parameter design in product design and takes support vector machine as reasoning algorithm. The support vector machine method is analyzed， and the corresponding algorithm flow is established. The data set is normalized by the data normalization method， the influence of dimension on the training result is removed， and the genetic algorithm is used to optimize and select the parameters of the algorithm. Finally， the enterprise data are collected， the training set and test set are divided， and the model is trained and verified by test set. The results show that the accuracy of the algorithm is More than 90%， the calculation time is less than 3s. At the same time， it is proved that the algorithm can improve the efficiency of product design and reduce the design cost.

Keyword：? Support vector machine; Product design; Model reasoning

引言：目前產(chǎn)品設(shè)計(jì)智能化程度越來越高，機(jī)器學(xué)習(xí)、專家系統(tǒng)等越來越多的應(yīng)用到產(chǎn)品的設(shè)計(jì)當(dāng)中。智能設(shè)計(jì)成為當(dāng)下的主流研究方向。將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)應(yīng)用到產(chǎn)品設(shè)計(jì)過程，不僅可以提高產(chǎn)品設(shè)計(jì)的效率，同時(shí)能夠提升設(shè)計(jì)的準(zhǔn)確性。

支持向量機(jī)的應(yīng)用方面，張航[1]等針對結(jié)構(gòu)全局靈敏度分析中計(jì)算量高并且計(jì)算困難的問題，將蒙特卡洛方法和支撐向量機(jī)相結(jié)合，顯著提高的計(jì)算效率。劉輝[2]等將支持向量機(jī)與O-U過程結(jié)合并應(yīng)用到期貨交易策略分析當(dāng)中，實(shí)現(xiàn)了價(jià)差變化趨勢的預(yù)測，提高了交易勝率。劉棟[3]等通過改進(jìn)人工蜂群的搜索方式，提高支持向量機(jī)的尋優(yōu)能力和空間預(yù)測能力，并將該方法應(yīng)用到上證指數(shù)的預(yù)測當(dāng)中。楊文璐[4]將支持向量機(jī)應(yīng)用到手勢識(shí)別當(dāng)中，通過數(shù)據(jù)處理，提高識(shí)別率。翟明陽[5]等算法應(yīng)用到光譜信息定量分析當(dāng)中，試驗(yàn)表明算法的判別準(zhǔn)確率能達(dá)到95%以上，提高了關(guān)節(jié)炎診斷和監(jiān)測的準(zhǔn)確率。王道明[6]等利用粒子群優(yōu)化SVM算法，解決了算法在多分類時(shí)的誤差積累現(xiàn)象。

上述研究雖然將支持向量機(jī)應(yīng)用到各個(gè)行業(yè)，并且取得了相應(yīng)的效果，但對支持向量機(jī)的研究還不夠全面，同時(shí)支持向量機(jī)有著還能在更廣泛的領(lǐng)域應(yīng)用。本文針對上述問題，研究了支持向量機(jī)方法，通過歸一化處理去除量綱對結(jié)果的影響，并利用遺傳算法對SVM進(jìn)行參數(shù)優(yōu)化，最后將優(yōu)化后的SVM模型應(yīng)用到產(chǎn)品參數(shù)設(shè)計(jì)當(dāng)中，以提高設(shè)計(jì)的效率和智能化程度。

1 支持向量機(jī)方法

支持向量機(jī)（Support Vector Machine，簡稱為SVM）是一種監(jiān)督學(xué)習(xí)方法，在統(tǒng)計(jì)分類和回歸分析中應(yīng)用廣泛。其主要基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，體系結(jié)構(gòu)圖如圖1所示

其中K為核函數(shù)，支持向量機(jī)核函數(shù)的種類主要有：

線性核函數(shù)：

K（x，xi）=xTxi??????? （1）

多項(xiàng)式核函數(shù)：

K（x，xi）=（γxTxi+r）p，γ>0? （2）

其中 γ? >0;

徑向基核函數(shù)：

K（x，xi）=exp（-γ x-x1 2）?? （3）

其中 γ? >0;

兩層感知器核函數(shù)：

K（x，xi）=tanh（γxTxi+r）?? （4）

對于線性不可分樣本，可通過將樣本空間Rn中數(shù)據(jù)映射到高維空間Z，從而在高維空間中得到分類。如下式所示。

Rn→Z，x→φ（x）??? （5）

輸入向量和輸出響應(yīng)為

f（x）=∑ N i=1 ωiφi（x）+b??? （6）

式中：N為訓(xùn)練樣本數(shù);ωi和b為SVM的控制參數(shù);φi（x）為映射所需的函數(shù)。

對于任意樣本點(diǎn) x ，SVM決策函數(shù)可以用該點(diǎn)與訓(xùn)練樣本之間映射函數(shù)內(nèi)積<φ（xi）·φ（x）>表示

f（x）=∑ SV i=1 （αi-α*i）<φ（xi）·φ（x）>+b? （7）

式中：SV為支持向量數(shù)量;αi、α*i為拉格朗日因子。

當(dāng)非線性映射φ（x）滿足Mercer時(shí)，可以用核函數(shù)代替內(nèi)積運(yùn)算，以徑向基核函數(shù)代替內(nèi)積運(yùn)算可得到（8）式

f（x）=∑ SV i=1 （αi-α*i）K（xi，x）+b?? （8）

2 SVM模型的建立

2.1 算法流程。根據(jù)支持向量機(jī)模型構(gòu)建特點(diǎn)，結(jié)合其理論基礎(chǔ)，建立如圖2所預(yù)測算法流程圖。

Step1：實(shí)驗(yàn)數(shù)據(jù)的載入。

Step2：通過分析相關(guān)性，去除無關(guān)數(shù)據(jù)，選擇合適的條件屬性和決策屬性。

Step3：隨機(jī)選取80%的數(shù)據(jù)作為訓(xùn)練集，其余數(shù)據(jù)作為測試集。

Step4：考慮計(jì)算時(shí)間、正確率等因素，利用遺傳算法優(yōu)化參數(shù)。通過訓(xùn)練集訓(xùn)練樣本得到模型并保存。

Step5：對訓(xùn)練集和測試集進(jìn)行驗(yàn)證。為保證模型的準(zhǔn)確率，預(yù)測準(zhǔn)確率閥值應(yīng)該控制在都在90%以上，否則重新進(jìn)行step3

Step6：以訓(xùn)練集與測試集的準(zhǔn)確率作為檢測對象，當(dāng)準(zhǔn)確率都達(dá)到設(shè)計(jì)要求時(shí)輸出模型。

2.2 數(shù)據(jù)歸一化處理。對數(shù)據(jù)進(jìn)行歸一化處理可以簡化計(jì)算過程，是一種無量綱處理手段，min-max標(biāo)準(zhǔn)化（MinMax? normalization ）是歸一化方法之一，可以將數(shù)據(jù)進(jìn)行線性變換，將值映射到[0，1]的區(qū)間內(nèi)，從而避免輸入變量的量綱不同對訓(xùn)練結(jié)果的影響。其轉(zhuǎn)換函數(shù)如下

x*i= 2（xi-xmin） xmax-xmin -1????? （9）

式中：xi為歸一化前的數(shù)據(jù);x*i為歸一化后的數(shù)據(jù);xmax為歸一化前數(shù)據(jù)的最大值;xmin為歸一化前數(shù)據(jù)的最小值。

2.3 算法優(yōu)化。遺傳算法借鑒了模擬生物進(jìn)化和自然選擇的思想，通過模擬進(jìn)化過程，選擇最優(yōu)解的方法。設(shè)置一個(gè)種群，并編碼相應(yīng)的基因，按照適者生存的法則對種群內(nèi)個(gè)體進(jìn)行優(yōu)勝劣汰，根據(jù)具體問題設(shè)置相應(yīng)的適應(yīng)度函數(shù)，并根據(jù)個(gè)體的適應(yīng)度大小選擇最優(yōu)個(gè)體。根據(jù)SVM特點(diǎn)，本文將適應(yīng)度函數(shù)選擇為原始值與預(yù)測值的誤差。誤差越小，個(gè)體適應(yīng)性越好。

3 應(yīng)用分析實(shí)例

首先收集企業(yè)數(shù)據(jù)，本文某企業(yè)輸送機(jī)相關(guān)數(shù)據(jù)進(jìn)行分析。運(yùn)用支持向量機(jī)分類器（SVC）建模過程中，首先確定輸入?yún)?shù)為輸送機(jī)運(yùn)量運(yùn)量和鏈速，輸出參數(shù)為中部槽寬度。同時(shí)還需確定模型類別、核函數(shù)類型、誤差懲罰參數(shù)c、徑向基核參數(shù)σ。本文模型類別選用多分類算法，核函數(shù)選用多項(xiàng)式核函數(shù)，如式（2）。

利用遺傳算法（GA）對支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化得到SVM模型誤差懲罰參數(shù)c為12.1368、徑向基核參數(shù)σ為26.014，如圖3所示。

通過GA-SVC算法對訓(xùn)練集進(jìn)行建模學(xué)習(xí)，并同時(shí)在訓(xùn)練集與測試集上進(jìn)行推理預(yù)測得到刮板輸送機(jī)中部槽預(yù)測結(jié)果如圖4所示。從圖中可以看出，預(yù)測值與真實(shí)值大體重合，只有小部分?jǐn)?shù)據(jù)存在誤差，說明該算法精度較高。并且誤差范圍不大，僅與實(shí)際數(shù)據(jù)相差一個(gè)級(jí)別，說明誤差是由于原始數(shù)據(jù)中個(gè)別特殊數(shù)據(jù)造成的，與算法本身無關(guān)。在設(shè)計(jì)過程中，參數(shù)的選取兩個(gè)相鄰型號(hào)在部分場景是可以通用的，因此，該誤差對設(shè)計(jì)的最終效果不會(huì)產(chǎn)生較大影響。

最后通過具體數(shù)據(jù)對算法性能進(jìn)行分析，連續(xù)運(yùn)算30次取平均值得到結(jié)果見表1。

為驗(yàn)證算法的準(zhǔn)確性，隨機(jī)抽取四組數(shù)據(jù)對輸送機(jī)中部槽寬度進(jìn)行測試，其結(jié)果如表2所示。從表中可以發(fā)現(xiàn)預(yù)測值與實(shí)際值完全吻合，說明了算法的準(zhǔn)確性。

4 結(jié)論

研究了支持向量機(jī)模型，分析了產(chǎn)品設(shè)計(jì)中支持向量機(jī)的應(yīng)用場景，為產(chǎn)品設(shè)計(jì)提供理論支持。

建立支持向量機(jī)預(yù)測模型，分析算法流程，同歸歸一化算法將有量綱數(shù)據(jù)轉(zhuǎn)化為無量綱數(shù)據(jù)，避免量綱對數(shù)據(jù)處理的影響。并采用遺傳算法優(yōu)化支持向量機(jī)參數(shù)，提高模型的準(zhǔn)確率。

收集企業(yè)數(shù)據(jù)，建立基于優(yōu)化的支持向量機(jī)參數(shù)預(yù)測模型，通過實(shí)驗(yàn)發(fā)現(xiàn)，算法預(yù)測準(zhǔn)確率能達(dá)到90%以上，并且計(jì)算時(shí)間在……以內(nèi)。在應(yīng)用過程中能夠輔助設(shè)計(jì)人員完成設(shè)計(jì)工作，提高設(shè)計(jì)效率和智能化程度。

參考文獻(xiàn)：

[1]張航，李洪雙.全局靈敏度分析的支持向量機(jī)方法[J].航空工程進(jìn)展，2018，9（02）：215-222.

[2]劉輝，劉忠元，周偉杰.基于隨機(jī)過程與支持向量機(jī)構(gòu)建期貨配對交易策略[J].常州大學(xué)學(xué)報(bào)， 2018， 19（03）： 59-64.

[3]劉棟，李素，曹志冬.基于改進(jìn)人工蜂群算法的支持向量機(jī)時(shí)序預(yù)測[J/]. 傳感器與微系統(tǒng)， 2018（05）： 51-54

[4]楊文璐，喬海麗，謝宏，夏斌. 基于Leap Motion和支持向量機(jī)的手勢識(shí)別[J]. 傳感器與微系統(tǒng)，2018，（05）：47-50.

[5]翟明陽，趙遠(yuǎn)，高浩，尚林偉，徐浩，尹建華.關(guān)節(jié)軟骨的紅外光譜成像及支持向量機(jī)定量研究[J].分析化學(xué)，2018， （06）： 896- 901.

[6]王道明，魯昌華，蔣薇薇，肖明霞，李必然.基于粒子群算法的決策樹SVM多分類方法研究[J].電子測量與儀器學(xué)報(bào)，2015，29（04）：611-615.