混合分类算法及其在质量改进中的应用研究

摘要

质量是制造业的生命线。当今的制造业已经进入了信息化、智能化、网络化的新阶段，质量分析与改进问题是高维、海量、复杂数据的分类问题。本文针对质量分析与改进问题的分类算法展开深入研究。
　　主要研究内容及成果如下：
　　1.提出了基于ISOMAP核空间的混合流形学习与支持向量机算法
　　针对欧式空间中高维、海量、复杂质量数据的分析与改进问题，提出了基于ISOMAP核空间的混合流形学习与支持向量机算法(An ISOMAP kernel based hybrid manifold learning and support vector machines algorithm，IKML-SVM)。该算法通过等距映射(Isometric mapping，ISOMAP)核空间将ISOMAP算法与支持向量机算法(Support vector machines，SVMs)有机结合，并推导了该核空间上的核函数。通过UCI数据集上的实验，对比了无参的ISOMAP核函数与SVM常用核函数在UCI数据集上的分类表现，验证了ISOMAP核函数是IKML-SVM的最优核函数，IKML-SVM算法是一种高效、精确和低数据质量依赖的分类算法。
　　2.提出了基于相异度核空间的混合流形学习与支持向量机算法
　　针对非欧空间中的质量数据，提出了基于相异度核空间的混合流形学习与支持向量机算法(Dissimilarity based kernel space for support vector machines，DKS-SVM)，作为IKML-SVM算法的补充。使用加常数法构建了相异度核空间，并推导了该核空间上的核函数。通过在UCI数据集上的分类精度实验，验证了DKS-SVM算法与相异度核函数的有效性。
　　3.提出了基于流形学习的决策分析算法
　　为了在低维嵌入上提取质量改进规则，提出了基于流形学习的决策分析算法(Decision analysis algorithm based on manifold learning，DAML)。DAML算法所包含的基于等价支持子集重要度算法(Support subset significant algorithm based on equivalence relation，S3ER)能够分析条件属性对决策属性的重要度、区分能力和等价支持子集，最后根据等价支持子集提取决策规则。通过在UCI数据集上的实验，验证了DAML算法在低维嵌入上提取决策规则的有效性。
　　4.某航空企业案例研究
　　将 IKML-SVM算法与 DAML算法相结合，对某航空企业真实的制造过程质量数据做案例研究。根据数据挖掘的四个步骤，即数据采集、数据预处理、数据挖掘和知识发现，完整的展示了制造过程质量数据从数据采集到规则提取的全过程。在案例中，将 IKML-SVM算法和DAML算法通过支持向量结合起来，形成质量分析与改进算法，有效的压缩了样本数据，在精简样本的同时提取了有效的改进规则，帮助企业进行质量改进。

目录

封面

中文摘要

英文摘要

目录

第一章 绪 论

§1.1引言

§1.2质量分析与改进方法研究现状

§1.3混合分类算法在质量分析与改进中关键技术

§1.4存在问题与解决方案

§1.5本文主要工作及内容安排

§1.6 本章小结

第二章 基于ISOMAP核空间的混合流形学习与支持向量机算法

§2.1 IKML-SVM算法设计

§2.2 核方法与核函数

§2.3 SVM原空间与核空间关系

§2.4 ISOMAP核函数

§2.5 UCI数据集上的仿真实验

§2.6 本章小节

第三章 基于相异度核空间的支持向量机分类算法

§3.1 相异度与距离

§3.2 基于相异度核空间的支持向量机算法设计与分析

§3.3 UCI数据集上的仿真实验

§3.4 本章小结

第四章 基于流形学习的决策分析算法

§4.1 经典预测与决策算法

§4.2 基于等价支持子集的决策分析算法流程设计与分析

§4.3 基于流形学习的决策分析算法流程设计与分析

§4.4 本章小结

第五章 航空企业质量分析与改进案例研究Equation Chapter 1 Section 1

§5.1 企业质量改进案例

§5.2 本章小结

第六章 总结与展望

§6.1 工作总结

§6.2 研究展望

参考文献

英文缩写索引

攻读博士学位期间论文发表、科研情况

致谢

声明