基于小波分析和PSO-SVM的控制图混合模式识别

被引：27

作者：

兰秀菊

张丽霞

鲁建厦

陈呈频

机构：

[1] 浙江工业大学机械工程学院

来源：

浙江工业大学学报 | 2012年 / 40卷 / 05期

关键词：

控制图模式; 模式识别; 小波分析; PSO-SVM;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

摘要：

由于质量过程的复杂性,质量过程数据常会有多种异常的混合现象,为了提高对控制图混合模式的识别效果,将支持向量机(Support vector machine,SVM)分类器的参数经过粒子群优化算法(Particle swarm optimization,PSO)算法优化,然后与小波分析技术相结合,设计了三层控制图模式识别模型.该模型首先识别模式是否正常,如果发现异常,则对异常的模式进行小波包分解,将分解后的低频部分和高频部分分别输入第二层和第三层PSO-SVM分类器中进行模式的分类识别.通过仿真实验的验证得,该模型的平均识别率为98.33%,对混合模式的识别率也在95%之上,由此证明了该控制图模式识别模型的有效性.最后,对该模型进行了实例验证,该模型可以很好的识别出控制图混合模式,证明了模型的可行性.

引用

页码：532 / 536

页数：5

共 5 条

[1]

微粒群优化与调度算法.[M].王凌; 刘波; 编著.清华大学出版社.2008,

[2]

PSO-SVM模型的构建与应用 [J].

姜明辉 ;

袁绪川 ;

冯玉强 .

哈尔滨工业大学学报, 2009, 41 (02) :169-171

[3]

基于小波重构的控制图并发异常模式识别研究 [J].

侯世旺 ;

同淑荣 .

计算机工程与应用, 2008, (28) :18-21

[4]

适应智能质量控制的多分类支持向量机 [J].

吴德会 .

信息与控制, 2007, (02) :187-191+198

[5]

Improved recognition of control chart patterns using artificial neural networks.[J].Susanta Kumar Gauri;Shankar Chakraborty.The International Journal of Advanced Manufacturing Technology.2008, 11-12

← 1 →