[发明专利]一种基于粒子群优化支持向量机的质量分析方法

权利要求书

1.一种基于粒子群优化支持向量机的功率变换产品质量分析方法，其特征在于，包括：

(1)运用训练好的支持向量机SVM模型的核函数，将线性不可分的原始产品质量数据样本，从低维空间映射到高维空间中，得到线性可分的目标数据集，其中，每条目标数据包括：功率变换产品在空载和不同负载下的电流，功率变换产品的机箱温度，以及功率变换产品的绝缘耐压值；所述训练好的支持向量机SVM模型的关键参数采用粒子群算法进行优化；

(2)在高维空间中，对线性可分的目标数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对所述目标数据集进行分类操作，得到分类结果；

(3)根据分类结果，对功率变换产品的质量进行分类分析；

所述分类间隔为2/||ω||，其中，ω表示最优分类面的法向量，||ω||表示该法向量的模长；

所述对所述目标数据集按分类间隔最大的规则进行线性分类，包括：

对所述目标数据集按使得||ω||/2最小的规则进行线性分类。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：

运用训练好的支持向量机SVM模型的多项式核函数或者高斯径向基核函数等核函数，将低维空间的原始数据样本映射到高维空间中，从而转变成线性可分的目标数据集，使原本线性不可分的原始数据样本变为线性可分。

3.根据权利要求1所述的方法，其特征在于，步骤(2)包括：

在高维空间中，对所述目标数据集按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，以根据所述判别函数使得分类后的各个类别的类内距离最小，完成对所述目标数据集的分类操作，得到分类结果。

4.根据权利要求1或3所述的方法，其特征在于，所述最优分类面满足使||ω|/2最小，并且使得所述目标数据集能够通过所述最优分类面被正确分类。

5.根据权利要求1所述的方法，其特征在于，SVM模型的关键参数包括：惩罚系数C和核函数参数a，优化过程包括：

S1：随机为粒子种群中的每个粒子指定初始位置和速度参数，其中，将空间向量(C,a)作为粒子群的一个粒子；

S2：将经过标记的产品质量数据样本，运用SVM模型的核函数，变换成线性可分的训练数据集，对训练数据集，按分类间隔最大的规则进行线性分类，得到最优分类面的判别函数，对训练数据集进行分类操作，与已知产品质量数据的分类结果对比，计算每个粒子对于经过标记的产品质量数据样本的分类正确率，以分类正确率作为每个粒子的适应度值；

S3：更新各粒子的位置和速度，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置；

S4：更新种群位置，将每个粒子当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群最佳位置；

S5：若迭代次数小于预设最大迭代次数，且种群的最佳适应度值小于预设阈值，则返回步骤S2继续迭代，否则结束迭代，将得到的种群最佳位置作为SVM模型的惩罚系数C和核函数参数a的最优组合，得到训练好的支持向量机SVM模型。

6.根据权利要求5所述的方法，其特征在于，所述SVM的核函数参数a对于不同的核函数表示不同的参数，对于多项式核函数，是指多项式的次数；对于高斯径向基核函数，是指高斯核带宽。

7.根据权利要求5所述的方法，其特征在于，所述经过标记的产品质量数据样本是指已知产品质量数据的分类结果是合格产品还是不合格产品，以及是哪一类不合格产品。