[发明专利]一种基于K折交叉验证法的支持向量机近似模型优化方法

权利要求书

1.一种基于K折交叉验证法的支持向量机近似模型优化方法，其特征在于：该方法包括以下步骤：

(1)确定支持向量机的核函数类型：选择径向基函数作为支持向量机模型的核函数；

(2)确定径向基函数的惩罚因子C和核参数σ：取惩罚参数的变化范围为C∈[2^-5，2¹⁰]，核参数的取值范围为σ∈[2^-5,2²]；

(3)确定优化目标和优化变量：将零件成形后发生回弹的最大位移量作为优化目标，记为y_i＝(blank movement)_i，根据使用要求，在不发生破裂缺陷的前提下，最大位移量需小于y_min＝0.5mm；优化变量为板料厚度A、冲压速度B和摩擦因数C1；

设置目标函数的约束条件：

(4)确定样本获取的方法：采用拉丁超立方抽样方法获取100组优化变量试验数据，将样本数据中的1～80组作为构建支持向量机非线性回归近似模型的训练样本，其余20组为测试样本用来检验该近似模型的精确度，并通过dynaform平台分别进行车窗升降板的冲压成形有限元数值模拟和结果分析：拉丁超立方抽样方法的lhsdesign函数的抽样计算模型如下:

n＝100；

p＝1；

x_A＝0.8+(1.2-0.8)*lhsdesign(n,p)；

x_B＝4000+(6000-4000)*lhsdesign(n,p)；

x_C＝0.100+(0.150-0.100)*lhsdesign(n,p)；

x＝[x_A x_B x_C]

式中，n——需要获得的样本个数；

p——表示变量数；

x_A——材料厚度；

x_B——冲压速度；

x_C——摩擦因数；

x——参数组合；

(5)确定K折交叉验证法的K值：取K＝5，即将上述试验数据分成5组，其中1组作为验证集，其余4组作为测试集，并取验证集的均方差作为评判支持向量机模型的误差；

(6)数据归一化处理：采用z-score标准化法对数据进行归一化处理，将不同量纲、数量级的优化变量均归于[-1，1]区间内；

(7)建立优化模型：将C和σ的选择区间用幂函数表达，区间端点为幂函数的指数，采用K折交叉验证算法进行支持向量机回归模型的参数寻优，构建支持向量机近似模型；

步骤(3)的优化变量在初始成形工艺参数的基础上对每个参数的初始值以80％和120％的比例计算最大值和最小值，从而确定优化区间。