买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第二十研究所

摘要：本发明提供了一种基于改进FOA‑SVM的生产物流预警信息多分类方法，通过对生产物流系统中历史数据的统计分析，获得生产物流系统预警信息并进行数据预处理，构建SVM分类模型，使用预处理后的特征数据对SVM模型进行训练，并采用改进FOA优化算法对SVM模型的相关参数进行优化，从而确定最优的SVM分类模型，当生产物流出现新的预警信息时，及时采用SVM分类模型进行分类处理，迅速确定生产物流系统预警信息类别。本发明提高了算法的泛化能力和适应性，找到分类模型的最佳参数组合，更好的满足了对生产物流信息分类的需求，大大降低预警信息分析的时间和人力成本，从而最大化地缩短生产周期，提高生产效益。

主权项：1.一种基于改进FOA-SVM的生产物流预警信息多分类方法方法，其特征在于包括下述步骤：步骤1：生产物流系统历史数据异常值、缺失值处理；从生产部门进行数据采集，得到的数据中删除极端异常值，使用缺失位置数据前后观测值均值或者用同类数据的均值对缺失值进行补全；步骤2：生产物流系统预警信息数据标准化处理；生产物流系统预警信息经过异常值和缺失值处理后，对数据进行标准化处理，对数据进行z-score标准化处理；z-score标准化公式为： 其中，x为样本数据值，μ为样本均值，σ为样本标准差；数据均值μ： 数据标准差σ： 步骤3：确定模型的输入和输出；采用预处理过的生产物流系统预警信息分类样本数据特征为SVM模型的输入，包括器件采购周期、采购开始节点、采购结束节点、零部件加工周期、零部件生产开始节点、零部件生产结束节点、工序加工时长、工序加工开始节点、工序加工结束节点、外协件生产周期、外协件生产开始节点、外协件结束节点特征信息；以具体的生产物流系统预警信息类别作为SVM模型的输出，包括器件采购周期过长，器件采购未按计划开始、器件采购超期、零部件加工周期过长、零部件生产未按计划开始、零部件生产超期、工序加工时长过长、工序加工未按节点开始、工序加工超期、外协件生产周期过长、外协生产未按计划开始、外协生产超期类别；步骤4：确定SVM多分类策略；采用“一对多”策略对二分类SVM进行拓展，构建SVM多分类模型；根据预警信息分类目标个数构造K个SVM子分类器，且子分类器的数目与分类目标类别数相同，在训练分类模型时，子分类器依次把生产物流系统预警信息样本归为一个目标类别，根据所有子分类器的分类结果确定生产物流系统预警信息的具体类别；步骤5：选择核函数；选用高斯径向基核函数RBF得到更好的映射空间，RBF的表达式如下： 其中，x和y分别对应原始数据特征和在映射空间中的特征，g为径向基核宽参数；步骤6：生产物流系统预警信息样本数据划分；将生产物流系统预警信息样本数据随机分为训练集和验证集，训练集样本数量应不少于50％；步骤7：SVM模型训练和参数优化；使用用训练集数据训练生产物流系统预警信息分类模型，在训练过程中使用改进FOA算法对分类模型参数进行优化，最终得到最佳参数组合C，g并确定最终的预警信息分类识别模型；步骤7.1：初始化改进FOA参数，定义一个果蝇种群位于平面坐标系中，初始化种群规模sizepop，最大迭代次数maxgen；步骤7.2：确定果蝇个体位置坐标；使用待优化参数C，g随机初始化种群位置为C_axis，g_axis，赋予果蝇个体随机的运动方向和距离，生成种群中各个果蝇个体位置，种群中果蝇的只数为m，第i只果蝇的坐标为： 其中，RandomValue为随机搜索距离；步骤7.3：计算果蝇个体寻优的适应度值；将训练数据导入SVM模型，计算模型准确率accuracy，将模型准确率作为果蝇寻优的适应度值FitnessC,g，根据适应度值评价果蝇个体位置优劣进行评价；Smell＝FitnessC,g＝accuracyC,g6步骤7.4：寻找最优果蝇个体；求得种群中离食物位置最近的果蝇Fly，即求适应度的极大值maxFitness对应果蝇个体BestIndex： 步骤7.5：保存最佳味道浓度值；将第一次执行的最佳味道浓度值保存于Smellbest，同时保存对应的C，g坐标； 步骤7.6：确定诱导学习果蝇的平均位置坐标；对本代搜寻完成的果蝇味道适应度值进行排序，以仅次于最优果蝇的两个果蝇个体subBestIndex1和subBestIndex2作为诱导学习个体，分别计算其坐标的位置并求算术平均值得到Ce，ge； 步骤7.7：计算果蝇群体收敛方向的目标位置；利用公式10进行更新果蝇种群位置： 在果蝇寻优过程中引入一种学习因子η促使果蝇种群向精英果蝇个体学习，采取分数衰减机制设置学习因子η；η＝η01+cfT-111其中，η0为初始学习因子，cf为学习因子衰减幅度控制参数；步骤7.8：迭代寻优；将本代的Bestsmell赋予preBestsmell后进入迭代循环，重复执行步骤7.3-步骤7.8，保存每代Smellbest值，当达到maxgen的设定值时结束循环，获得的最佳参数组合C，g： 步骤8：生产物流预警信息SVM模型验证；根据获得的最佳参数组合C，g确定后最终的分类模型，使用验证集数据对SVM分类模型进行验证；步骤9：生产物流系统预警信息识别；针对生产物流系统新的预警信息，经过数据预处理和特征提取后，输入到SVM分类模型中，得到具体的信息分类结果，并根据信息分类结果对车间生产计划进行相应的调整，同时将信息分类结果以及其对应的具体特征、对应环节、产生原因、实际影响、采取措施等信息进行记录，定期更新预警信息数据库。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第二十研究所 一种基于改进FOA-SVM的生产物流预警信息多分类方法