一种基于LS-SVM的特征提取新方法及其在智能质量控制中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的特征提取新方法,并将其成功应用到智能质量控制领域。首先,将线性特征提取公式表达成与LS-SVM回归算法中相同的形式;再遵循SVM方法将数据集由原输入空间映射到高维特征空间,进而使用该技巧通过线性形式实现非线性特征提取。然后,用常规控制图提取出一个含有6种模式、50维特征的仿真数据集用于测试,通过LS-SVM特征提取后,原数据集的特征被降到了3维并保留了原80%的分类信息。最后,用BP分类器对特征提取后的样本进行识别,其结果优于新型RSFM网络直接对原始样本进行识别的效果。仿真实验结果表明了LS-SVM特征提取方法的可行性和有效性。

基于鲁棒LS-SVM的控制图模式识别

提出一种基于鲁棒最小二乘支持向量机(LS-SVM)的控制图模式识别方法,并研究其应用于过程质量诊断的可行性、有效性.理论研究和仿真试验结果表明,该方法对于标准的6种控制图模式都具有很高的模式识别率,训练模式识别器所需样本少,且训练结果泛化能力强,计算方法简单迅速. Abstract： A technique based on the robust least squares support vector machines(LS-SVM) used for control charts pattern recognition is proposed, the applied feasibility and validity of this technique in process quality diagnosis is also investigated. Theoretical research and experimental results show that this approach performs well upon the six typical control charts pattern recognition with high recognition accuracy, simple computation and fast training process, and the preeminent generalization ability on the condition of small sample size.

基于多核函数最小二乘支持向量机的控制图模式识别方法

为了提高在线监控过程的效率,将机器学习的方法运用于统计过程控制诊断中,提出了基于遗传算法的多核函数最小二乘支持向量机的控制图模式识别方法。仿真结果表明与BP(Back Propagation)神经网络相比,在小样本的情况下,基于遗传算法的多核函数最小二乘支持向量机方法,在进行控制图模式识别时表现出模式识别率高和诊断速度快的优点。这对于实施在线监控和降低质量诊断成本,具有重要的意义。