基于支持向量機的產品設計推理模型研究

燕鳴 閆德光

摘要： 為提高產品設計的智能化程度，面向產品設計中主體參數設計過程，以支持向量機作為推理算法，提出基于支持向量機的產品參數預測模型。分析了支持向量機方法，并建立相應的算法流程，通過數據歸一化方法對數據集進行歸一化，去除量綱對訓練結果的影響，并通過遺傳算法對算法進行優化，優選參數，最后收集企業數據，劃分訓練集和測試集，訓練出模型后用測試集進行驗證，結果表明算法正確率在90%以上，計算時間在0.8s以內，能夠滿足應用需求，同時也驗證了該算法能夠提高產品設計的效率，從而降低設計成本。

關鍵詞： 支持向量機;產品設計;模型推理

中圖分類號： TH122??? 文獻標識碼： A??? 文章編號： 1672-9129（2018）09-0112-02

abstract ：In order to improve the intelligentized degree of product design， a product parameter prediction model based on support vector machine is proposed in this paper， which is oriented to the process of subject parameter design in product design and takes support vector machine as reasoning algorithm. The support vector machine method is analyzed， and the corresponding algorithm flow is established. The data set is normalized by the data normalization method， the influence of dimension on the training result is removed， and the genetic algorithm is used to optimize and select the parameters of the algorithm. Finally， the enterprise data are collected， the training set and test set are divided， and the model is trained and verified by test set. The results show that the accuracy of the algorithm is More than 90%， the calculation time is less than 3s. At the same time， it is proved that the algorithm can improve the efficiency of product design and reduce the design cost.

Keyword：? Support vector machine; Product design; Model reasoning

引言：目前產品設計智能化程度越來越高，機器學習、專家系統等越來越多的應用到產品的設計當中。智能設計成為當下的主流研究方向。將機器學習、深度學習等技術應用到產品設計過程，不僅可以提高產品設計的效率，同時能夠提升設計的準確性。

支持向量機的應用方面，張航[1]等針對結構全局靈敏度分析中計算量高并且計算困難的問題，將蒙特卡洛方法和支撐向量機相結合，顯著提高的計算效率。劉輝[2]等將支持向量機與O-U過程結合并應用到期貨交易策略分析當中，實現了價差變化趨勢的預測，提高了交易勝率。劉棟[3]等通過改進人工蜂群的搜索方式，提高支持向量機的尋優能力和空間預測能力，并將該方法應用到上證指數的預測當中。楊文璐[4]將支持向量機應用到手勢識別當中，通過數據處理，提高識別率。翟明陽[5]等算法應用到光譜信息定量分析當中，試驗表明算法的判別準確率能達到95%以上，提高了關節炎診斷和監測的準確率。王道明[6]等利用粒子群優化SVM算法，解決了算法在多分類時的誤差積累現象。

上述研究雖然將支持向量機應用到各個行業，并且取得了相應的效果，但對支持向量機的研究還不夠全面，同時支持向量機有著還能在更廣泛的領域應用。本文針對上述問題，研究了支持向量機方法，通過歸一化處理去除量綱對結果的影響，并利用遺傳算法對SVM進行參數優化，最后將優化后的SVM模型應用到產品參數設計當中，以提高設計的效率和智能化程度。

1 支持向量機方法

支持向量機（Support Vector Machine，簡稱為SVM）是一種監督學習方法，在統計分類和回歸分析中應用廣泛。其主要基于結構風險最小化原則，體系結構圖如圖1所示

其中K為核函數，支持向量機核函數的種類主要有：

線性核函數：

K（x，xi）=xTxi??????? （1）

多項式核函數：

K（x，xi）=（γxTxi+r）p，γ>0? （2）

其中 γ? >0;

徑向基核函數：

K（x，xi）=exp（-γ x-x1 2）?? （3）

其中 γ? >0;

兩層感知器核函數：

K（x，xi）=tanh（γxTxi+r）?? （4）

對于線性不可分樣本，可通過將樣本空間Rn中數據映射到高維空間Z，從而在高維空間中得到分類。如下式所示。

Rn→Z，x→φ（x）??? （5）

輸入向量和輸出響應為

f（x）=∑ N i=1 ωiφi（x）+b??? （6）

式中：N為訓練樣本數;ωi和b為SVM的控制參數;φi（x）為映射所需的函數。

對于任意樣本點 x ，SVM決策函數可以用該點與訓練樣本之間映射函數內積<φ（xi）·φ（x）>表示

f（x）=∑ SV i=1 （αi-α*i）<φ（xi）·φ（x）>+b? （7）

式中：SV為支持向量數量;αi、α*i為拉格朗日因子。

當非線性映射φ（x）滿足Mercer時，可以用核函數代替內積運算，以徑向基核函數代替內積運算可得到（8）式

f（x）=∑ SV i=1 （αi-α*i）K（xi，x）+b?? （8）

2 SVM模型的建立

2.1 算法流程。根據支持向量機模型構建特點，結合其理論基礎，建立如圖2所預測算法流程圖。

Step1：實驗數據的載入。

Step2：通過分析相關性，去除無關數據，選擇合適的條件屬性和決策屬性。

Step3：隨機選取80%的數據作為訓練集，其余數據作為測試集。

Step4：考慮計算時間、正確率等因素，利用遺傳算法優化參數。通過訓練集訓練樣本得到模型并保存。

Step5：對訓練集和測試集進行驗證。為保證模型的準確率，預測準確率閥值應該控制在都在90%以上，否則重新進行step3

Step6：以訓練集與測試集的準確率作為檢測對象，當準確率都達到設計要求時輸出模型。

2.2 數據歸一化處理。對數據進行歸一化處理可以簡化計算過程，是一種無量綱處理手段，min-max標準化（MinMax? normalization ）是歸一化方法之一，可以將數據進行線性變換，將值映射到[0，1]的區間內，從而避免輸入變量的量綱不同對訓練結果的影響。其轉換函數如下

x*i= 2（xi-xmin） xmax-xmin -1????? （9）

式中：xi為歸一化前的數據;x*i為歸一化后的數據;xmax為歸一化前數據的最大值;xmin為歸一化前數據的最小值。

2.3 算法優化。遺傳算法借鑒了模擬生物進化和自然選擇的思想，通過模擬進化過程，選擇最優解的方法。設置一個種群，并編碼相應的基因，按照適者生存的法則對種群內個體進行優勝劣汰，根據具體問題設置相應的適應度函數，并根據個體的適應度大小選擇最優個體。根據SVM特點，本文將適應度函數選擇為原始值與預測值的誤差。誤差越小，個體適應性越好。

3 應用分析實例

首先收集企業數據，本文某企業輸送機相關數據進行分析。運用支持向量機分類器（SVC）建模過程中，首先確定輸入參數為輸送機運量運量和鏈速，輸出參數為中部槽寬度。同時還需確定模型類別、核函數類型、誤差懲罰參數c、徑向基核參數σ。本文模型類別選用多分類算法，核函數選用多項式核函數，如式（2）。

利用遺傳算法（GA）對支持向量機的參數進行優化得到SVM模型誤差懲罰參數c為12.1368、徑向基核參數σ為26.014，如圖3所示。

通過GA-SVC算法對訓練集進行建模學習，并同時在訓練集與測試集上進行推理預測得到刮板輸送機中部槽預測結果如圖4所示。從圖中可以看出，預測值與真實值大體重合，只有小部分數據存在誤差，說明該算法精度較高。并且誤差范圍不大，僅與實際數據相差一個級別，說明誤差是由于原始數據中個別特殊數據造成的，與算法本身無關。在設計過程中，參數的選取兩個相鄰型號在部分場景是可以通用的，因此，該誤差對設計的最終效果不會產生較大影響。

最后通過具體數據對算法性能進行分析，連續運算30次取平均值得到結果見表1。

為驗證算法的準確性，隨機抽取四組數據對輸送機中部槽寬度進行測試，其結果如表2所示。從表中可以發現預測值與實際值完全吻合，說明了算法的準確性。

4 結論

研究了支持向量機模型，分析了產品設計中支持向量機的應用場景，為產品設計提供理論支持。

建立支持向量機預測模型，分析算法流程，同歸歸一化算法將有量綱數據轉化為無量綱數據，避免量綱對數據處理的影響。并采用遺傳算法優化支持向量機參數，提高模型的準確率。

收集企業數據，建立基于優化的支持向量機參數預測模型，通過實驗發現，算法預測準確率能達到90%以上，并且計算時間在……以內。在應用過程中能夠輔助設計人員完成設計工作，提高設計效率和智能化程度。

參考文獻：

[1]張航，李洪雙.全局靈敏度分析的支持向量機方法[J].航空工程進展，2018，9（02）：215-222.

[2]劉輝，劉忠元，周偉杰.基于隨機過程與支持向量機構建期貨配對交易策略[J].常州大學學報， 2018， 19（03）： 59-64.

[3]劉棟，李素，曹志冬.基于改進人工蜂群算法的支持向量機時序預測[J/]. 傳感器與微系統， 2018（05）： 51-54

[4]楊文璐，喬海麗，謝宏，夏斌. 基于Leap Motion和支持向量機的手勢識別[J]. 傳感器與微系統，2018，（05）：47-50.

[5]翟明陽，趙遠，高浩，尚林偉，徐浩，尹建華.關節軟骨的紅外光譜成像及支持向量機定量研究[J].分析化學，2018， （06）： 896- 901.

[6]王道明，魯昌華，蔣薇薇，肖明霞，李必然.基于粒子群算法的決策樹SVM多分類方法研究[J].電子測量與儀器學報，2015，29（04）：611-615.