广义KKT约束的增量支持向量机质量建模研究.pdf

《广义KKT约束的增量支持向量机质量建模研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第11期机械设计与制造2015年11月MachineryDesign&Manufacture167广义KKT约束的增量支持向量机质量建模研究马占飞，樊捷杰，张文兴s(1．内蒙古科技大学包头师范学院计算机系，内蒙古包头014030；2．内蒙古科技大学信息工程学院，内蒙古包头014010；3．内蒙古科技大学机械工程学院，内蒙古包头014010)摘要：传统支持向量机在求解大规模样本训练时，解二次规划问题占用大量内存，收敛速度慢；并且当有新样本加入时，所有样本需要一同重新训练，浪费大量时间，进而限制了其使用范围。针对上述缺陷，提出了

2、广义约束的增量学习支持向量机回归模型的动态质量建模方法，利用KKT条件及时淘汰对后续训练影响不大的样本，同时保留了含有重要信息的样本。以带钢热镀锌生产中锌层质量模型为研究对象，建立生产过程参数与质量结果之间的回归模型。用某钢厂带钢热镀锌的实际生产数据进行验证。结果表明，该算法在保证预测精度的同时，有效的提高了学习速度及对大样本学习的能力并降低了内存占用。关键词：质量建模；增量学习；支持向量机中图分类号：TH16文献标识码：A文章编号：1001—3997(2015)11-0167—04ResearchonQualityMode

3、loftheGeneralizedKKTConstraintIncrementalSupportVectorMachineMAZhan-fei，FANJie-jie，ZHANGWen—xing3(1．ComputerScienceDepartmentofBaotouTeachersCollege，InnerMongoliaUniversityofScienceandTechnology，InnerMongoliaBaotou014030，China；2．SchoolofInformationEngineering，Inner

4、MongoliaUniversityofScienceandTechnology，InnerMongoliaBaotou014010，China；3．SchoolofMechanicalEngineering，InnerMongoliaUniversityofScienceandTechnology，InnerMongoliaBaotou014010，China)Abstract：Whentraininglarge—scc如sample．thereweres0，，disadvantagesoftraditiondsuppor

5、tvectormachine(SVM)．Thesolutionofquadraticoccupiesalotofmemorgqtheconvergencespeedisslow；allsamplesshouldbetrainingtogetherwhennewsamplesjoiningwhichwastealotoftime．Inthispaper，ageneralizedconstraintSVMofdynamicqudi~modelingmethodWasproposed．Thismethoddeletethesamp

6、lestimetywhichnoncttothetrainingandretainthesampleswhichcontainsimportantinformationthroughKKTcondition．Asresearchobject，theproductionofgalvanizedsteelwithzincqualitymodelwasusedtobuildtherecessionmodelbetweentheproductionprocessparametersandquality．Anactualdataofs

7、￡却steelgalvanizedWasusedtoverifythemethod．Theresultshowsthepredictionaccuracy，thelearningspeedandlearningabilityoflargesampleWaseffectiveimprovedandtheoccupiedlessmemory．KeyWords：QualityModeling；IncrementalLearning；SupportVectorMachine(SVM)能建模，等[31，这些方法大都是在已有的过程参数下

8、建立的质量模ll面型，不支持在线学习，模型的精度随着生产过程的进行而不断降生产质量建模是为了寻找生产过程工艺参数与产品的各种低，而且当存在大量数据时求解速度很慢，难于满足实际生产的质量指标之间的关系，根据生产过程的输入输出数据建立产品质质量精度要求。因此，建立具有在线学习能力的动态质量模型