基于支持向量機(jī)的產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè).pdf

1、產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)存在小樣本、不確定數(shù)據(jù)、高度非線(xiàn)性和異方差噪音等問(wèn)題，常規(guī)的支持向量機(jī)模型不能取得滿(mǎn)意效果。產(chǎn)品設(shè)計(jì)活動(dòng)的過(guò)程雖然缺乏統(tǒng)一框架指導(dǎo)，但并不是沒(méi)有知識(shí)，在預(yù)測(cè)模型中嵌入相關(guān)知識(shí)可提高預(yù)測(cè)效果。為了更好地分析和控制產(chǎn)品開(kāi)發(fā)時(shí)間，預(yù)測(cè)模型需提供除預(yù)測(cè)值以外的其它有用信息。本文針對(duì)產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)中的問(wèn)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(xiàn)性規(guī)劃形式中，嵌入相關(guān)知識(shí)，給出不確定數(shù)據(jù)的處理方法，并通過(guò)算例

2、對(duì)該算法的性能進(jìn)行了評(píng)估。然后針對(duì)模糊支持向量回歸沒(méi)能考慮異方差噪音的問(wèn)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(shè)計(jì)時(shí)間預(yù)測(cè)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(guān)知識(shí)。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(duì)熵為優(yōu)化目標(biāo)，提出了基于高斯間距核回歸的產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)模型。
　　 具體說(shuō)來(lái)，主要在如下四個(gè)方面進(jìn)行了研究:

3、　　 1.建立基于核近似的產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)模型。針對(duì)產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)存在小樣本、不確定數(shù)據(jù)、高度非線(xiàn)性等問(wèn)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(shí)轉(zhuǎn)換成核近似可嵌入的不等式，證明了知識(shí)轉(zhuǎn)化的充分性，提出相應(yīng)的產(chǎn)品設(shè)計(jì)時(shí)間智能預(yù)測(cè)方法，給出相關(guān)參數(shù)的優(yōu)選方法。進(jìn)行了注塑模具設(shè)計(jì)的實(shí)例分析，并減少訓(xùn)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(shí)的核近似的設(shè)計(jì)時(shí)間預(yù)測(cè)方法是有效的，且訓(xùn)

4、練樣本的減小并沒(méi)有帶來(lái)預(yù)測(cè)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(shè)計(jì)時(shí)間預(yù)測(cè)模型。針對(duì)產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)存在小樣本、不確定數(shù)據(jù)、異方差噪音等問(wèn)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(duì)偶優(yōu)化問(wèn)題中的拉格朗日乘子αi和αi*必定滿(mǎn)足αiαi*=0。給出相應(yīng)的設(shè)計(jì)活動(dòng)時(shí)間智能預(yù)測(cè)方法和相關(guān)參數(shù)的優(yōu)選

5、算法。與模糊支持向量機(jī)相比，該模型的優(yōu)化問(wèn)題規(guī)模更小。進(jìn)行了注塑模具設(shè)計(jì)的實(shí)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(shí)間預(yù)測(cè)方法是有效和可行的，并減少訓(xùn)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(jià)值的信息。
　　 3.建立基于概率支持向量回歸的產(chǎn)品設(shè)計(jì)時(shí)間預(yù)測(cè)模型。在異方差回歸模型基礎(chǔ)上設(shè)計(jì)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(biāo)，提出兩種形式的概率支持向量回歸。對(duì)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(duì)偶優(yōu)化問(wèn)題中有關(guān)拉格朗日乘子λ的解有界。對(duì)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(shí)間知識(shí)嵌入進(jìn)概率支持向量回歸的約束條件，將交叉驗(yàn)證與遺傳算法相結(jié)合確定概率支持向量回歸的相關(guān)參數(shù)。概率支持向量回歸可同時(shí)給出預(yù)測(cè)值和預(yù)測(cè)區(qū)間，從而可提供更多的

7、產(chǎn)品設(shè)計(jì)時(shí)間信息。進(jìn)行了注塑模具設(shè)計(jì)的實(shí)例分析，并減少訓(xùn)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(shí)間預(yù)測(cè)方法是有效的，訓(xùn)練樣本的減小并沒(méi)有帶來(lái)預(yù)測(cè)值精度和預(yù)測(cè)區(qū)間有效性的顯著下降;對(duì)于第二種形式的概率支持向量回歸，盡管其預(yù)測(cè)區(qū)間的有效性會(huì)顯著下降，但是其預(yù)測(cè)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(shè)計(jì)時(shí)間預(yù)測(cè)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(duì)熵為優(yōu)化目標(biāo)，利用預(yù)測(cè)值的置信區(qū)間設(shè)置約束條件，構(gòu)造可同時(shí)給出預(yù)測(cè)值和預(yù)測(cè)區(qū)間的高斯間距核回歸模型。利用樣本的獨(dú)立性和異方差性對(duì)優(yōu)化問(wèn)題進(jìn)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(shè)計(jì)求解相應(yīng)優(yōu)化問(wèn)題的迭代方法。假定樣本是同方差的，提出一種簡(jiǎn)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(shí)。以注塑模具設(shè)計(jì)的實(shí)例進(jìn)行分析，并減少訓(xùn)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(yù)測(cè)區(qū)間的有效性