最小二乘支持向量机握钉力预测研究

论文摘要

微米木纤维模压加工过程是一个高度复杂的过程,具有非线性、时滞、高维等特性。模压产品具有较高的密度,可以用于装饰装潢,具有较高的应用价值。握钉力是衡量材料力学物理性能的一个重要指标,当材料使用螺钉相连接时,握钉力大小就显的尤其重要。因此,对模压产品的握钉力进行预测成为微米木纤维模压加工研究的重要课题。本文以模压的汽车换挡杆手柄为对象,将机器学习引入到模压产品的握钉力预测上,通过机器学习方法找到一种有效的预测方法。本文首先对模压加工过程进行了介绍,为预测模型的输入特征向量选择和预测模型的建立提供了依据。接下来研究了目前在预测领域应用广泛的BP神经网络,用BP神经网络建立了握钉力预测模型。通过实验,发现这种方法虽然预测精度较高,但是存在着模型结构不易确定、过学习、用梯度下降法易陷入局部极值等问题。统计学习理论具有坚实的理论基础,为解决小样本学习问题提供了统一的框架。支持向量机是一种基于统计学习理论的机器学习方法,它解决了神经网络中存在的一系列问题。与BP神经网络相比,支持向量机具有更好的鲁棒性和更高的预测精度,是一种有效的机器学习方法。本文用最小二乘支持向量机建立握钉力预测模型,并针对支持向量机参数不易确定的问题,研究了用粒子群优化算法来优化支持向量机的参数的方法,以实现参数的自动选择。文章提出了粒子群优化算法优化参数的最小二乘支持向量机回归预测模型,并将其用于握钉力预测。实验证明,粒子群优化算法可以自动的搜索支持向量机的最优参数,通过优化的最小二乘支持向量机预测模型,比基于BP神经网络的预测模型有更好预测能力,更适合于握钉力的预测。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景
• 1.2 预测的作用和方法
• 1.3 人工神经网络预测
• 1.4 支持向量机预测
• 1.4.1 支持向量机在国内外的研究现状
• 1.4.2 支持向量回归机的应用
• 1.4.3 支持向量机的优势及存在的问题
• 1.5 研究内容和组织结构
• 2 基于BP网络的握钉力预测
• 2.1 前馈神经网络和BP算法
• 2.1.1 前馈神经网络
• 2.1.2 BP学习算法
• 2.1.3 LM算法
• 2.1.4 BP神经网络
• 2.2 模压加工流程和样本处理
• 2.2.1 模压加工流程
• 2.2.2 样本处理
• 2.3 BP网络预测模型
• 2.3.1 建立BP网络预测模型
• 2.3.2 实验结果
• 2.4 本章小结
• 3 统计学习理论与支持向量机
• 3.1 机器学习
• 3.1.1 机器学习问题
• 3.1.2 经验风险最小化原则
• 3.2 统计学习理论
• 3.2.1 经验风险最小化原则下统计学习一致性的条件
• 3.2.2 VC维与推广性的界
• 3.2.3 结构风险最小化原则
• 3.3 支持向量机
• 3.3.1 最优分类面和支持向量
• 3.3.2 核函数
• 3.3.3 支持向量机基本原理
• 3.3.4 支持向量机的特点
• 3.4 支持向量回归机
• 3.5 常用的支持向量机算法
• 3.5.1 ν-SVM算法
• 3.5.2 FSVM算法
• 3.5.3 LS-SVM算法
• 3.6 常用的支持向量机算法比较
• 3.7 本章小结
• 4 基于粒子群优化的支持向量机
• 4.1 粒子群优化算法
• 4.1.1 粒子群优化算法基本原理
• 4.1.2 基本粒子群优化算法
• 4.1.3 粒子群优化算法的特点
• 4.1.4 基本粒子群算法的改进
• 4.1.5 粒子群优化算法研究和应用
• 4.2 支持向量机参数选择问题
• 4.3 粒子群优化的支持向量回归机
• 4.4 本章小结
• 5 基于SVM的换挡杆手柄握钉力预测
• 5.1 SVM预测的步骤
• 5.2 试凑法定参的SVM握钉力预测
• 5.2.1 建立SVM回归模型
• 5.2.2 实验及结果
• 5.3 基于POS-SVM的握钉力预测
• 5.3.1 基于POS-SVM的预测步骤
• 5.3.2 实验及结果
• 5.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢