基于邻域粗糙集优化支持向量机的备件分类研究.pdf
《基于邻域粗糙集优化支持向量机的备件分类研究.pdf》由会员分享,可在线阅读,更多相关《基于邻域粗糙集优化支持向量机的备件分类研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、2023Dec.JOURNALOFMACHINEDESIGN2023年12 月No.12Vol.40第40 卷第12 期机设计械基于邻域粗糙集优化支持向量机的备件分类研究*杨华强,尹亮,赵青雨,夏唐斌,郑美妹(1.湖北中烟工业有限责任公司,湖北武汉430040;2.上海交通大学机械与动力工程学院,上海200240)摘要:针对现有备件分类中存在的备件种类繁多、属性复杂多样及分类标注不统一等问题,文中提出了一种基于邻域粗糙集的支持向量机(NRS-SVM)的多准则备件分类方法。首先,基于历史数据使用邻域粗糙集理论对备件属性进行约简,再将约简后的属性及数据输入支持向量机算法训练分类模型,最后可以将训练
2、好的模型对真实的备件集进行分类。该方法对一家卷烟厂的实际备件数据进行试验验证,结果表明:基于邻域粗糙集的支持向量机在乙企业备件分类中具有高的分类准确率和优秀的泛化能力,验证了所提方法的有效性和优越性,从而更好地支持备件的管理。关键词:邻域粗糙集;支持向量机;多准则分类;备件分类中图分类号:F423文献标识码:A文章编号:10 0 1-2 35 4(2 0 2 3)12-0 0 6 6-0 7Research on classification of spare parts based on NeighborhoodRough Set-Support Vector MachineYANG Hua
3、qiang,YIN Liang,ZHAO Qingyu,XIA Tangbin,ZHENG Meimei?(1.Hubei China Tobacco Industrial Co.,Ltd.,Wuhan 430040;2.School of Mechanical Engineering,Shanghai Jiao Tong University,Shanghai 200240)Abstract:Currently,since the classification of spare parts suffer many problems,such as wide variety of spare
4、parts,com-plex and diverse attributes,and inconsistent annotation of classification,in this article efforts are made to propose a multi-criteriamethod for classification of spare parts,which is based on Neighborhood Rough Set-Support Vector Machine(NRS-SVM).Firstly,the attributes of spare parts are
5、simplified by the theory of neighborhood rough set based on the historical data;then,thesimplified attributes and data are fed into the support vector machines algorithm,in order to train the classification model;final-ly,the trained model is used to classify the real spare-part set.The method is us
6、ed to verify the actual data on a cigarettefactorys spare parts,and the results show that the support vector machine based on the neighborhood rough set has high accuracyin classification and better generalization ability in the classification of the Z companys spare parts.It is verified that this m
7、ethodis effective and superior to support the management of spare parts.Key words:neighborhood rough set;Support Vector Machine;multi-criteria classification;classification of spare part备件是维护现代化卷烟设备正常运行的关键组成部分,具有保障设备正常运行、延长设备使用寿命及提高设备可靠性等重要作用。因此,备件的管理对于正常生产运作具有重要意义,然而备件种类多达万种,仅靠工程师的人工判断来确定备件的库存策略并不现
8、收稿日期:2 0 2 3-0 6-17;修订日期:2 0 2 3-0 8-10实,一种常用的方法是找到备件属性的相似之处并统一管理。备件分类是备件库存管理中的一个重要环节,对于提高生产效率、降低企业成本和优化库存管理具有重要意义。备件分类存在着许多难点,如备件种类繁多、属性复杂多样和分类标准不统一等。因此,如672023年12 月杨华强,等:于邻域粗糙集优化支持向量机的备件分类研究何利用有效的方法对备件进行分类成为了备件管理领域的一个研究热点目前,已有不少学者对备件的分类规划管理进行了研究,将多准则的综合评价方法引入传统ABC分类模型中,以实现更全面准确的备件分类。有学者将库存的消耗特性或Ka
9、raljic矩阵2 引入库存的评价模型中,形成多准则备件分类方法,以实现更全面的库存分类。在分类的方法上,基于ABC分类及其拓展方法是目前备件库存分类的主流方法,一些学者用层次分析法3、TOPSIS框架4 和模糊评价5 等方法对备件进行多准则ABC分类,也有学者用优化的方式进行备件分类。Ng6假设备件的属性指标降序排列,并将等级对应分数以计算权重,最后统一量表计分。在Ng的基础上,Haid-Vencheh7用非线性优化的方法得到备件的单个分数,最后计算备件的总分。这些方法可以综合考虑多种分类因素,但是当备件种类和分类准则增加,指标间的关联性和权重分配会变得难以计算,建立评价矩阵或综合排序会变得
10、非常复杂而难于应用。而粗糙集可以有效地对不一致、不完备和不精确的信息进行处理和分析8 ,Hu等9 使用基于优势的粗糙集的方法构建备件分类框架,得到了快速准确的备件分类模型,但框架建立依赖于决策人员提供的信息。随着人工智能技术的发展,越来越多的学者使用人工智能算法来解决多准则下的备件分类问题,基于人工智能的算法表现出了优秀的分类准确性10 Yang 等-2 使用卷积神经网络和迁移学习两种学习方法来解决有监督的库存分类问题,达到了较高的分类预测精度。Francesco等13 选择了决策树算法解决基于需求模式的库存分类问题,相比其他的人工智能算法具有更强的可解释性。于俊甫等14 采用支持向量机对多准
11、则备件进行分类,得到了准确度较高的备件分类模型。Yu15用了多种算法来进行分类,如支持向量机、BP神经网络和KNN等,其中,SVM在多个测试结果中表现均优于其他算法。综上所述,支持向量机在备件分类方法中具有一定的优势。但是支持向量机在处理不确定性和模糊性方面仍存在局限性,而邻域粗糙集理论可以针对不确定和模糊信息进行有效的属性简约。因此,文中提出了一种基于粗糙集的支持向量机多准则备件分类方法,采用粗糙集理论确定备件的决策属性,处理属性中穴余不精确的信息,进而提高支持向量机的分类准确率和泛化能力。最后,以Z公司的备件数据为试验对象,通过试验验证了该方法的有效性和优越性,对企业备件管理具有一定的实际
12、应用价值。1基于邻域粗糙集的支持向量机备件分类模型为得到科学合理的分类策略,首先选取备件属性作为备件的分类指标,之后采用邻域粗糙集约简备件指标,得到准确无穴余的备件分类因素,再采用支持向量机方法解决多元非线性的备件分类问题,得到高准确度的备件分类模型1.1多准则备件分类指标体系为了全面地描述出备件在生产和库存管理中的重点,以区分备件的重要性,需要建立完备的备件分类指标体系。要保证所选的属性与备件管理有密切的关系并尽可能地全面,在经过属性筛选后仍能保证分类的准确度。遵从全面性、代表性和可验证性的原则,在与工程师交流后,选择了通常能反映备件特征的7 个属性,包括订购数量、单价、订购金额、订购到货期
13、、领用数量、可替代性和关键性,通过以上指标建立备件重要性指标体系,备件属性集如表1所示。表1智备件属性集参数说明备件编号唯一标识编码订购数量/件近年来平均每年订购数量单价/元最新的采购单价订购金额/元近年来平均每年订购金额订购到货期/天从准备采购到备件到货入库的时间领用数量/件近年来平均每年的领用数量可替代性发生缺货时是否有同类备件可以替换关键性发生故障到完成更换对生产的影响大小备件属性的具体介绍如下:(1)订购数量备件库存管理的基本信息,反映备件的订购数量;(2)单价备件的最新订购单价,价格昂贵的备件68机第40 卷第12 期计设械通常数量较少、重要性更高,是备件管理关注的重点;(3)订购金
14、额备件单价与订购数量的乘积,反映备件的价格和领用频繁程度的共同影响;(4)订购到货期备件申请补货到入库所需的时间,提前期长的备件,因缺货影响设备维修的时间就越长;(5)领用数量备件库存管理的基本信息,反映备件的领用频繁程度;(6)可替代性备件发生缺货时可被替代的其他备件的多少,专用件和特殊型号的定制件等备件可替代性较低,需要重点管理,采用0 和1编码,可替代备件编码为1,不可替代备件编码为0;(7)关键性备件发生故障到完成维修期间对生产的影响,影响高的备件在管理工作中被列入重点管理对象,备件关键性由工程师给出,3个等级编码为1,2和3,编码为3的备件关键性比较高,编码为1的备件关键性比较低1.
15、2基于邻域粗糙集的备件属性约简对于分析和处理不致、不精确的数据集效果显著,而属性约简作为其核心应用是一类重要的特征选择方法,可以有效剔除允余的属性16 ,留下主要因子,增加分类效率。邻域粗糙集17 是在粗糙集基础上计算每个数据点的8 邻域,在该邻域内的其他数据点一并组成基本信息粒子,可以处理如备件单价等不便处理的数值型数据。对备件的分类问题,可以将备件数据看作一个决策系统,由决策属性和条件属性组成。其中,决策属性是备件的类别,而条件属性是备件的各项指标。该系统可表示为四元组S=(U,Q,V,J),其中,U为对象集合,即备件的样本数量集合;Q为样本集各项数据的非空子集,Q=CUD;C为备件的属性
16、集合,即备件的各个分类准则;D为决策属性,即备件所属的重要性类别。在该系统中,S被称为决策表;V为属性的值域;f为一个从UQ到V的映射,用于指定每个样本的属性值。对于样本x,的邻域,规定8(x)=x,Ix;EU,d(x;,x)),其中,d(x;,x)表示x;,x,之间的距离,一般采用欧式距离,在邻域内的样本点可归为一个信息点。对于属性值相同不可区分的个体,将其归于同一类称为不可分辨关系。R为V上的一个等价关系,K=(V,R)。若(x,x,)=V且(x;,x)R,则在R上x,和x,被称为一个不可分辨关系,同时,在K上也是不可区分的。对于一个属性集合PER,不可分辨关系描述为ind(P)=(x,y
17、)E V V:f(x,a)=f(a,x),a EP。若存在ind(P)i n d P-(r),则P在r上是不可忽略的,否则P在r上是穴余的,即该属性对备件重要性影响不大,可以对其进行约简。利用粗糙集的这一特性可对备件的属性信息进行约简,删除重复或不重要的备件描述属性,从中提取出最精炼的备件属性,作为支持向量机的输人。对等价关系 Rind(K),上近似R(X)=U Y EUIR:YCX)、下近似R(X)=U(YEUIR:YNX)。子集的正域POSR(X)=R(X)表示分类完全正确的集合,子集的负域NEGr(X))=U R(X),表示分类完全错误的集合,边界域为BN,(X)=PO S(X)NEG(
18、X),表示分类不完全正确的集合。为了得到约简后的属性,需要评估各个属性对决策属性的影响,定义决策属性D对条件属性C的依赖度为R=POS(D),依赖度越大,重要程度越高1.3支持向量机备件分类模型支持向量机(SupportVectorMachine,SVM)是一种经典的分类算法,其通过将低维空间中的非线性数据映射到高维空间中,寻找最优超平面作为决策平面来实现分类18 ,具有良好的非线性处理能力和泛化能力。文中采用了支持向量机算法构建备件分类模型。SVM算法通过寻找最优超平面,将在平面两侧的数据分成两个不同的类别,最优超平面可表示为:f(x)=wx+b(1)式中:x模型的输人,即备件的各属性数据;
19、(x)一一分类模型的输出;W权重向量;b一阅值。寻找最优超平面可转化为二次规划问题:nmin h(w,b)=2i=1(2)s.t.y(wx;+b)1-5(s:0,i=1,2,n)式中:h(w,b)-超平面;5松弛变量,5:=max0,1-y,(wx,+b);692023年12 月杨华强,等邻域粗糙集优化支持向量机的备件分类研究惩罚参数,e值越大,对分类错误的惩罚越大;ey样本i的类别。引人拉格朗日乘子求解,得到对偶目标函数为:n1max l()=,jyiyj2i=1i=1,j=1s.t.y=0(0,e,i=1,2,.,n)(3)i=1式中:l()一一对偶目标函数;拉格朗日乘子。拉格朗日乘子在实
20、际工作中,线性分类很难满足备件分类需求,需引人核函数为K(x,y)=,表示低维到高维的映射,用内积的形式将样本映射到高维空间变为线性可分。将该核函数代人对偶目标函数(3)中并利用KKT条件得到最优解*和6*。最终SVM的回归函数为:(x)(4)由于SVM的分类主要用于解决二分类问题,对本研究的多分类问题,可以将其转化为3个二分类问题,然后用投票法决定备件的类别。1.4基于邻域粗糙集优化支持向量机的备件分类模型将NRS与SVM集成起来,构建备件的分类模型,其流程如图1所示。先获取备件的各属性数据,之后采用RS对属性进行约简,得到最精炼的属性子集。将约简后的属性作为SVM的输入,再使用交叉验证的网
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 邻域 粗糙 优化 支持 向量 备件 分类 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。