基于支持向量机的产品设计推理模型研究

燕鸣 闫德光

摘要： 为提高产品设计的智能化程度，面向产品设计中主体参数设计过程，以支持向量机作为推理算法，提出基于支持向量机的产品参数预测模型。分析了支持向量机方法，并建立相应的算法流程，通过数据归一化方法对数据集进行归一化，去除量纲对训练结果的影响，并通过遗传算法对算法进行优化，优选参数，最后收集企业数据，划分训练集和测试集，训练出模型后用测试集进行验证，结果表明算法正确率在90%以上，计算时间在0.8s以内，能够满足应用需求，同时也验证了该算法能够提高产品设计的效率，从而降低设计成本。

关键词： 支持向量机;产品设计;模型推理

中图分类号： TH122    文献标识码： A    文章编号： 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：目前產品设计智能化程度越来越高，机器学习、专家系统等越来越多的应用到产品的设计当中。智能设计成为当下的主流研究方向。将机器学习、深度学习等技术应用到产品设计过程，不仅可以提高产品设计的效率，同时能够提升设计的准确性。

支持向量机的应用方面，张航[1]等针对结构全局灵敏度分析中计算量高并且计算困难的问题，将蒙特卡洛方法和支撑向量机相结合，显著提高的计算效率。刘辉[2]等将支持向量机与O-U过程结合并应用到期货交易策略分析当中，实现了价差变化趋势的预测，提高了交易胜率。刘栋[3]等通过改进人工蜂群的搜索方式，提高支持向量机的寻优能力和空间预测能力，并将该方法应用到上证指数的预测当中。杨文璐[4]将支持向量机应用到手势识别当中，通过数据处理，提高识别率。翟明阳[5]等算法应用到光谱信息定量分析当中，试验表明算法的判别准确率能达到95%以上，提高了关节炎诊断和监测的准确率。王道明[6]等利用粒子群优化SVM算法，解决了算法在多分类时的误差积累现象。

上述研究虽然将支持向量机应用到各个行业，并且取得了相应的效果，但对支持向量机的研究还不够全面，同时支持向量机有着还能在更广泛的领域应用。本文针对上述问题，研究了支持向量机方法，通过归一化处理去除量纲对结果的影响，并利用遗传算法对SVM进行参数优化，最后将优化后的SVM模型应用到产品参数设计当中，以提高设计的效率和智能化程度。

1 支持向量机方法

支持向量机（Support Vector Machine，简称为SVM）是一种监督学习方法，在统计分类和回归分析中应用广泛。其主要基于结构风险最小化原则，体系结构图如图1所示

其中K为核函数，支持向量机核函数的种类主要有：

线性核函数：

K（x，xi）=xTxi        （1）

多项式核函数：

K（x，xi）=（γxTxi+r）p，γ>0  （2）

其中 γ  >0;

径向基核函数：

K（x，xi）=exp（-γ x-x1 2）   （3）

其中 γ  >0;

两层感知器核函数：

K（x，xi）=tanh（γxTxi+r）   （4）

对于线性不可分样本，可通过将样本空间Rn中数据映射到高维空间Z，从而在高维空间中得到分类。如下式所示。

Rn→Z，x→φ（x）    （5）

输入向量和输出响应为

f（x）=∑ N i=1 ωiφi（x）+b    （6）

式中：N为训练样本数;ωi和b为SVM的控制参数;φi（x）为映射所需的函数。

对于任意样本点 x ，SVM决策函数可以用该点与训练样本之间映射函数内积<φ（xi）·φ（x）>表示

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

式中：SV为支持向量数量;αi、α*i为拉格朗日因子。

当非线性映射φ（x）满足Mercer时，可以用核函数代替内积运算，以径向基核函数代替内积运算可得到（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。根据支持向量机模型构建特点，结合其理论基础，建立如图2所预测算法流程图。

Step1：实验数据的载入。

Step2：通过分析相关性，去除无关数据，选择合适的条件属性和决策属性。

Step3：随机选取80%的数据作为训练集，其余数据作为测试集。

Step4：考虑计算时间、正确率等因素，利用遗传算法优化参数。通过训练集训练样本得到模型并保存。

Step5：对训练集和测试集进行验证。为保证模型的准确率，预测准确率阀值应该控制在都在90%以上，否则重新进行step3

Step6：以训练集与测试集的准确率作为检测对象，当准确率都达到设计要求时输出模型。

2.2 数据归一化处理。对数据进行归一化处理可以简化计算过程，是一种无量纲处理手段，min-max标准化（MinMax  normalization ）是归一化方法之一，可以将数据进行线性变换，将值映射到[0，1]的区间内，从而避免输入变量的量纲不同对训练结果的影响。其转换函数如下

x*i= 2（xi-xmin） xmax-xmin -1      （9）

式中：xi为归一化前的数据;x*i为归一化后的数据;xmax为归一化前数据的最大值;xmin为归一化前数据的最小值。

2.3 算法优化。遗传算法借鉴了模拟生物进化和自然选择的思想，通过模拟进化过程，选择最优解的方法。设置一个种群，并编码相应的基因，按照适者生存的法则对种群内个体进行优胜劣汰，根据具体问题设置相应的适应度函数，并根据个体的适应度大小选择最优个体。根据SVM特点，本文将适应度函数选择为原始值与预测值的误差。误差越小，个体适应性越好。

3 应用分析实例

首先收集企业数据，本文某企业输送机相关数据进行分析。运用支持向量机分类器（SVC）建模过程中，首先确定输入参数为输送机运量运量和链速，输出参数为中部槽宽度。同时还需确定模型类别、核函数类型、误差惩罚参数c、径向基核参数σ。本文模型类别选用多分类算法，核函数选用多项式核函数，如式（2）。

利用遗传算法（GA）对支持向量机的参数进行优化得到SVM模型误差惩罚参数c为12.1368、径向基核参数σ为26.014，如图3所示。

通过GA-SVC算法对训练集进行建模学习，并同时在训练集与测试集上进行推理预测得到刮板输送机中部槽预测结果如图4所示。从图中可以看出，预测值与真实值大体重合，只有小部分数据存在误差，说明该算法精度较高。并且误差范围不大，仅与实际数据相差一个级别，说明误差是由于原始数据中个别特殊数据造成的，与算法本身无关。在设计过程中，参数的选取两个相邻型号在部分场景是可以通用的，因此，该误差对设计的最终效果不会产生较大影响。

最后通过具体数据对算法性能进行分析，连续运算30次取平均值得到结果见表1。

为验证算法的准确性，随机抽取四组数据对输送机中部槽宽度进行测试，其结果如表2所示。从表中可以发现预测值与实际值完全吻合，说明了算法的准确性。

4 结论

研究了支持向量机模型，分析了产品设计中支持向量机的应用场景，为产品设计提供理论支持。

建立支持向量机预测模型，分析算法流程，同归归一化算法将有量纲数据转化为无量纲数据，避免量纲对数据处理的影响。并采用遗传算法优化支持向量机参数，提高模型的准确率。

收集企业数据，建立基于优化的支持向量机参数预测模型，通过实验发现，算法预测准确率能达到90%以上，并且计算时间在……以内。在应用过程中能够辅助设计人员完成设计工作，提高设计效率和智能化程度。

参考文献：

[1]张航，李洪双.全局灵敏度分析的支持向量机方法[J].航空工程进展，2018，9（02）：215-222.

[2]刘辉，刘忠元，周伟杰.基于随机过程与支持向量机构建期货配对交易策略[J].常州大学学报， 2018， 19（03）： 59-64.

[3]刘栋，李素，曹志冬.基于改进人工蜂群算法的支持向量機时序预测[J/]. 传感器与微系统， 2018（05）： 51-54

[4]杨文璐，乔海丽，谢宏，夏斌. 基于Leap Motion和支持向量机的手势识别[J]. 传感器与微系统，2018，（05）：47-50.

[5]翟明阳，赵远，高浩，尚林伟，徐浩，尹建华.关节软骨的红外光谱成像及支持向量机定量研究[J].分析化学，2018， （06）： 896- 901.

[6]王道明，鲁昌华，蒋薇薇，肖明霞，李必然.基于粒子群算法的决策树SVM多分类方法研究[J].电子测量与仪器学报，2015，29（04）：611-615.