未確知信息分析的模糊支持向量機優(yōu)化研究.pdf

1、一般而言，未確知性總是和實際問題中的定量和定性因素相關(guān)。模糊支持向量機（Fuzzy Support Vector Machine，F(xiàn)SVM），是為了減小未確知性信息（一種不確定性信息）對標準支持向量機（Support Vector Machine，SVM）學習精度及泛化能力所造成的影響，利用模糊集理論，建立在統(tǒng)計學習理論基礎(chǔ)上的機器學習方法。然而，現(xiàn)有模糊支持向量機方法在分析和處理未確知性信息時，存在分析精度低以及處理大規(guī)模數(shù)據(jù)時的經(jīng)濟

2、性“瓶頸”等問題。因此，本文在分析未確知性信息特征、支持向量機和模糊支持向量機理論和技術(shù)的基礎(chǔ)上，從未確知性數(shù)據(jù)本質(zhì)和幾何結(jié)構(gòu)特征出發(fā)，對模糊支持向量機方法中的數(shù)據(jù)預處理模型，模糊核函數(shù)構(gòu)建和動態(tài)參數(shù)優(yōu)化算法進行相關(guān)研究，所做的工作和取得的創(chuàng)新成果主要體現(xiàn)在以下幾方面：
　?。?）從未確知信息樣本本質(zhì)和幾何特征出發(fā)，以模糊集理論為基礎(chǔ)，分析未確知信息的基本特征，提出針對未確知信息樣本的改進模糊數(shù)度量模型，有效的對于FSVM算法輸入

3、樣本進行預處理，并依據(jù)改進模糊數(shù)，拓展 FSVM模型未確知機會約束規(guī)劃問題。
　?。?）高維特征空間映射反應研究樣本之間的相似程度。根據(jù)空間映射、相似測量和核函數(shù)之間的關(guān)系，提出適用于FSVM核函數(shù)構(gòu)建的Gregson模糊集相似測量方法。該方法對于未確知性研究樣本有更加準確的映射表示，并且綜合考慮未確知性樣本的不同分布情況，為模糊支持向量機核函數(shù)的改進提供了研究基礎(chǔ)。
　　（3）根據(jù)核函數(shù)理論，高維空間映射對應低維空間中的向

4、量內(nèi)積，向量內(nèi)積可以用滿足 Mercer定理的核函數(shù)表示。模糊支持向量機性能的優(yōu)劣很大程度上取決于其核模型的選擇。在模糊相似測量改進的基礎(chǔ)上，利用改進Gregson模糊集相似測量函數(shù)，構(gòu)建適用于FSVM的模糊相似內(nèi)核。相比現(xiàn)有模糊支持向量機的核函數(shù)，該核函數(shù)可以更加準確的實現(xiàn)對于未確知性信息的分析和研究。
　?。?）FSVM應用性能的好壞，相當程度上取決于模型參數(shù)選取的優(yōu)劣?；谶z傳算法（Genetic Algorithm，GA）

5、和粒子群算法（Particle Swarm Optimization，PSO），提出了自適應 PSO-GA參數(shù)選取和優(yōu)化方法，并將其用于未確知模糊支持向量機（Unascertained Fuzzy Support Vector Machine，UFSVM）算法模型研究之中。該算法可以有效的彌補PSO算法和GA算法所存在的易陷入局部最優(yōu)解及收斂速度緩慢的缺陷，并引入自適應因子有效的考慮未確知信息特征。該方法提升了參數(shù)優(yōu)化算法的尋優(yōu)能力，并

6、且算法魯棒性和計算耗時上有明顯優(yōu)勢。計算精度、計算速度和算法的穩(wěn)定性都優(yōu)于標準PSO和GA算法。
　?。?）基于優(yōu)化的UFSVM算法，選取旋轉(zhuǎn)超聲加工中材料切屑率（Material Removal Rate，MRR）測量數(shù)據(jù)驗證改進模糊數(shù)的數(shù)據(jù)預處理和模糊相似核函數(shù)構(gòu)建的UFSVM優(yōu)化算法；選取滾動軸承實驗臺上的軸承故障數(shù)據(jù)進行驗證自適應PSO-GA參數(shù)優(yōu)化算法。通過這些實際問題和實際工業(yè)領(lǐng)域的研究數(shù)據(jù)，可以證明本文提出的未確知模