基于GA-SVM的多规格小批量生产的装配工时估算模型

对于制造承包商来说,在正式接收订单之前,为了指导报价和预测交货日期,有必要对工时(Man-hours,MH)进行评估。装配工时作为工时的重要组成部分,具有重要的实际研究意义。针对多规格、小批量生产的特点,提出了一种基于支持向量机(Support vector machine,SVM)的装配工时估算模型。除了单部件属性、装配过程和历史工时数据外,还考虑了可量化装配复杂性的最短路径长度平均值(Average of shortest path length,ASPL)作为装配MH的影响因素,并提出了基于Creo JLink三维模型的这些因素的自动计算方法。通过对几种算法的比较,选择SVM作为装配体MH建模的最优算法。将遗传算法(Genetic algorithm,GA)应用于SVM中,有利于在SVM中搜索最优参数c和g时避免了局部求解,加快了收敛速度。最后,对所提出的GA-SVM模型进行训练,并应用于雷达装置仿生腿的装配工时预测。实验结果表明,GA-SVM具有比本文其他方法更高的预测精度,整个预测过程仅需3 min左右。

基于SVM和遗传算法的纸浆间歇蒸煮参数优化方法

为降低纸浆间歇蒸煮过程的能耗,提出了一种基于支持向量机(SVM)和遗传算法的蒸煮参数优化方法。该方法先根据生产数据,采用SVM建立了间歇蒸煮纸浆卡伯值模型,描述了白液浓度、硫化度、白液量、黑液量、蒸煮时间和蒸煮温度等参数与纸浆卡伯值之间的数学关系;再针对基于SVM的纸浆卡伯值模型较难用于常规优化方法的问题,提出了一种改进的自适应小生境遗传算法,用于间歇蒸煮的参数优化,使纸浆满足质量要求的前提下尽量降低蒸煮过程能耗;最后进行仿真,与实际生产数据相比,实验结果节约蒸汽3.52%,节约白液用量17.18%,硫化度减少0.37%。实验结果表明,该方法模型泛化性好,优化效果明显,很大程度上实现了节能降耗。

NRS-SVM两阶段遗传算法的多晶硅铸锭配料质量分析

在多晶硅铸锭配料质量分析中,针对邻域粗糙集-支持向量机(NRS-SVM)模型在处理多晶硅铸锭配料的连续型数据中邻域半径δ和SVM参数的取值问题,提出了将NRS-SVM模型与遗传算法(GA)相结合的两阶段遗传算法(NRS-SVM-GA).该算法的第一阶段通过搜索新的邻域半径来得到较好的约简集合,第二阶段采用第一阶段属性约简结果,通过搜索新的SVM参数训练出准确率较高的分类模型。算法根据每个阶段的目的提出了相应的适应度函数及终止条件,显著特点是实现了NRS-SVM自动化特征提取及分类预测,并将两个阶段单独进行,避免了通过分类器来评价约简性能所带来的时间消耗。在多晶硅铸锭配料数据集上进行实验,结果表明,与标准遗传算法相比,该方法运行时间短,输出结果稳定,可得到较少的特征和较高的分类精度。

突发事件下电力企业网络舆情发现云平台研究

电力企业作为国家支柱型企业面临着复杂的网络舆情管理形势,为了防止突发事件所产生的不良网络舆情信息对电力企业的运行造成影响,构建大数据舆情危机管理应用成为目前研究的热点。当前网络舆情管理平台不能随着互联网随时产生的海量数据实时更新模型,处理增量数据时效性较差。文章建议将Batch SVM增量算法与Boosting算法相结合,提出了一种增量网络舆情发现方法,并将该算法与流式计算云平台进行结合,构建了一套高效的基于流式云平台的在线增量舆情发现机制。在真实数据集上构建的实验验证了所提机制的准确性和效率,在保证准确度达到85%的前提下,所提机制的处理时延较现有算法降低50%以上,可以有效实现在线舆情发现,在构建电力网络舆情管理平台方面具有较大的应用价值。

基于Storm云平台的增量文本分类机制研究

文本分类是目前众多大数据应用的核心问题.本文将Batch SVM增量算法与Bagging算法相结合,提出了一种增量文本分类算法.在云计算分布式处理框架Storm基础上整合所提出的算法,构建了一套高效的基于Storm云平台的在线增量文本分类机制,在真实数据集上构建的实验验证了所提机制的准确性和效率,在保证准确度达到90%的前提下,所提机制的处理时延较现有算法降低50%以上,可以有效实现在线文本分类问题.