[發明專利]一種基于PSO-SVM的精密加工結構件識別分類的方法

在審

• 申請號: 202011328641.1
• 申請日: 2020-11-24
• 公開（公告）號: CN112418317A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 楊濤;賴復堯;蘇欣;熊鷹;李柏林
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N20/10
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 林菲菲

1.一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，包括如下步驟：

步驟1：獲取結構件原始圖像；

步驟2：將步驟1的結構件原始圖像轉換為特征向量，并將所述特征向量分為訓練集特征向量和測試集特征向量；

步驟3：選取核函數，構建解決多分問題的SVM學習模型，初始化SVM學習模型的參數，并根據參數數量確定粒子群種群；

步驟4：利用步驟2得到的訓練集特征向量對SVM學習模型進行訓練；

步驟5：使用參數優化算法對步驟4中訓練好的SVM學習模型的參數進行尋優，使用尋優得到的參數構建SVM預測模型；

步驟6：將步驟2得到的測試集特征向量輸入SVM預測模型，輸出測試集分類結果；

步驟7：根據測試集分類結果對結構件進行分類。

2.根據權利要求1所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，步驟5使用的參數優化算法采用PSO算法，所述PSO算法的數學表達式為式中，w為慣性權重，k為當前迭代次數，為粒子的速度，c₁和c₂為加速度因子，r₁和r₂為分布于[0,1]區間的隨機數，表示第k次迭代中第i個粒子在第d維空間中的個體歷史最優位置,表示第k次迭代中第i個粒子在第d維空間中的歷史最優位置。

3.根據權利要求1所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，將所述步驟5中的參數優化算法采用LPSO算法，所述LPSO算法的數學表達式為式中，表示經k次迭代后第i個粒子在第d維空間中的位置，表示經k次迭代后第i個粒子在第d維空間中的速度，表示經Levy飛行的k+1次迭代后第i個粒子在第d維空間中的位置，α是步長因子,為點乘符號，Levy(β)是Levy飛行的隨機搜索路徑。

4.根據權利要求3所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，所述Levy(β)的數學表達式為式中，參數β的范圍為1＜β≤2，μ,v均服從正態分布：其中

5.根據權利要求3所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，利用針對Levy飛行算法的高斯核函數自適應步長因子α_new更新LPSO算法的數學表達式，得到式中，表示經Levy飛行的第k+1次迭代后第i個粒子在第d維空間中的位置。

6.根據權利要求5所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，所述針對Levy飛行的高斯核函數自適應步長因子的數學表達式為式中，α₀＝0.1，表示整個群體中所有粒子的歷史最優位置，σ＝0.05。

7.根據權利要求5所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，基于貪婪算法對做進一步改進，得到ALPSO算法，所述ALPSO算法的數學表達式為式中，表示在第k+1次迭代中粒子進行小步長的Levy飛行后第i個粒子在第d維空間中的位置，表示在第k+1次迭代中粒子進行大步長的Levy飛行后第i個粒子在第d維空間中的位置，fit(x)為x的自適應度值。

8.根據權利要求1所述的一種基于PSO-SVM的精密加工結構件識別分類方法，其特征在于，所述SVM學習模型的數學表達式為式中，α_i和α_j分別為輸入變量x_i和x_j對應的拉格朗日乘法系數，y_i和y_j分別是x_i和x_j對應的輸出向量，φ(x_i),φ(x_j)為核函數，i表示第i個粒子，m表示粒子的個數，c表示乘法因子。