范文无忧网公文文书公文写作

基于支持向量机的点焊质量分类

11月11日 编辑 fanwen51.com

[逆变点焊电源软开关的数字控制]摘要:数字信号处理器(dsp)具有高速运算特性及独特的结构,其在逆变点焊电源领域中的应用研究已引起人们的关注。采用ti& 司 的tms320lf2407a芯片为全桥移相零电压点焊逆变电路...+阅读

摘要:以点焊质量监控为目的,通过对点焊过程电极位移信号、动态电阻信号的同步采集和信号分析,从2种信号中提取12个有效的特

征分量,构造点焊过程的监测数据集, 以焊点的抗剪强度为指标,利用支持向量机(svm)和rbf神经网络对焊点质量进行分类。测试

结果表明,2种信号特征向量作为svm的输入向量,在参数匹配的情况下,使用

不同的核函数对喷溅和焊点质量分类均能取得较好的分

类结果.分类器性能明显优于rbf神经网络模型。小样本情况tsvm具有较好的泛化能力,正确率仍保持在80%以上,据此认为提取电

极位移和动态电阻的特征向量构筑输入向量.建立的svm动态模型对点焊接头进行质量分类是可行的。

关键宇:电阻点焊;svm;质量分类;泛化能力;特征提取

中圄分类号:tg438.2 文献标识码:a

电阻点焊自产生以来,以其高效率、低成本、易于实现自

动化的优点广泛应用于大量薄板焊接结构生产中,但点焊过程

的非线性及多变量耦合使得焊接过程难以控制。现代信号处

理、模式识别技术的发展,使得点焊过程质量监控技术有了长

足的进步,jedt1]以焊接电流、时间、电极压力为输入参数,

焊点质量为输出参数,利用bp网络建立输入与输出的映射;

hao利用线性回归分析建立监控参量与铝合金焊点强度及熔核

直径之间的映射模型【2]。基于概率统计模型得到的各类别特征

向量分布的统计分类方法正逐渐在电阻点焊领域中得到广泛应

用。统计分类方法很多,如:决策树和决策表等。

本文提供一种利用动态电阻和电极位移信号.提取特征向

量构建数据集,建立基于svm的点焊质量分类模型。

1 支持向量机

支持向量机(svm)是数据挖掘的一项新技术.是借助最

优化方法解决机器学习问题的新工具:是克服“维数灾难”和

“过学习” 等困难的有力手段 。其基本原理是通过定义适当的

内积函数。将训练数据集从输入空间非线性的映射到一个高维

特征空间(hilbert空间), 使样本在该空间线性可分.然后求

取新空间中的最优线性分类面。

假定训练数据可以被一个超平面正确地分开.则最优超平

面将由离它最近的少数样本点决定.这些决定最优超平面的样

本点就称为支持向量。

设线性可分样本集(毛, ), =1,&&emsp8943; ,/z,x∈rd,y∈&&emsp123;+1,一1),

d维空间中线性判别函数:

收稿日期:2007—03—29

·xr-b, (1)

svm是通过对拉格朗日算子的最大化来确定最大分类间隔

的解。构造拉格朗日函数为:

l(w,。,6)= 1 i z_σoei( 伽+6)+σa/,

厶 i=1 /=1

嘶≥0,i=1,2,&&emsp8943; ,n, (2)

其中,嘶是拉格朗日算子,并且满足下式:

1.1

0≤嘶≤c和 n 0, (3)

i=1

则在上面2个条件下最大化上述构造拉格朗日函数的对偶形式,

就可得出由嘶所决定的支持向量。即:

max l σ啦一 1σ嗍 辑, (4)

i=1 - i。j=l

优化 d牛苷取决于变换后的特征向量之间的数乘,若用一个核函

数k(x,y)来代替数乘,就可以避免计算变换 ,此时判别函数

就可以写成σ ( )+6。使用核函数来代替数乘就不需要明

确知道,这对于高维特征空间可以有效避免“维数灾难” 的问

题。核函数类型的选择,或者说一种变换的选择,对于支持向

量机非常重要,它决定对分类中相似性和相似程度标准的选

择。由于分类问题可以看成一个相似问题。相似性又可以由向

量的内积来描述,因此,选择映射或者说选择核函数将直接影

响分类的结果。

常用核函数有如下形式:

线性核函数:k(x,置) ·

多项式核函数:k(x,鼍)=( · ) )p

rbf(radial basis function)核函数:k( ,xi)=exp(--t l 一

置i )

sigmoid核函数:k(x, i)=tanh(s( · i)+g)

50 ·焊接设备与材料· 焊接技术 第36卷第5期20o7年10月

2 试验数据集

点焊试验系统由恒流控制交流点焊机唐山松下yf一

0201z

2、传感器、数据采集卡以及计算机组成,对焊接电流、

焊接电压、电极位移信号进行实时采集。利用rogowski 流传

感器测取电流、焊接电压取自电极头两端电压,da一5型直流

差动位移传感器采集电极位移信号,数据采集系统由12位的

ac6115 a/12全文查看d转换卡以及基于该卡用vb开发的数据采集软件构

成,同步采样率可达40 khz。信号分析和特征提取建立在

madab软件平台上,通过构筑特征向量建立svm点焊质量分类

模型。图1为厚1.0 mm低碳钢板标准试样搭接试验,给定焊接

电流5.7 ka。电极压力3.1 kn,焊接时间20周波的信号采样图。

:i 一

0占———— ———1 ——— ——

(b)周渡

图1 采集信号

2.1 检测信号选择

影响熔核生长的主要因素有焊接电流和电极压力[5]。动态

电阻和电极位移信号能够较好地反映焊接电流、电极压力的变

化. 以及如表面状态、网压波动等因素对接头质量的影响。因

此.选择动态电阻、电极位移为质量检测信号,其中动态电阻

的计算采用峰值法, 即半周波峰值电流时刻的电压除以峰值电

流,峰值法计算的动态电阻能够消除电路中交流互感影响。

2.2 特征向量

图2为厚1.0 mm低碳钢板标准试样搭接试验,给定焊接时

间20周波、电极压力3 150 n,不同焊接电流的动态电阻和电

极位移信号图,可以看出:① 点焊过程动态电阻初值不同,初

值反映了工件的表面状态,提取动态电阻初值r 为一个特征分

量;② 动态电阻峰值不同,峰值能够反映曲线斜率符号的改

变.提取动态电阻峰值r:为特征分量;③动态电阻终值能够反

映熔核大小,因此提取终态电阻r 为一个特征分量;④ 曲线的

峰值上升速度可以表明形成熔核的速度, 因此取动态电阻曲线

上升速度r 为一个特征分量;⑤ 动态电阻曲线均值能够反映点

焊过程中熔核的尺寸,提取动态电阻曲线均值r 为一个特征分

量;⑥ 动态电阻曲线上各点的离散程度能够用统计学中的方差

描述,因此,提取曲线上各半周波峰值的方差r 为一个特征分

量。

蔷。 三;等三三三三三

00l — — — — — — — — — — —

(b)周渡

图2 对应于不同焊接电流下的动态电阻和电极位移信号曲线

电极位移是点焊过程接头弹塑性变形的结果。图2b为对应

于图2a的电极位移曲线。可以看出:①位移曲线峰值不同,提

取位移曲线峰值d1为一个特征分量, 曲线峰值能够描述熔核纵

向膨胀的最大值;②提取位移曲线峰值上升率d:为一个特征分

量,位移峰值上升率能够描述熔核纵向膨胀速度;③位移峰值

下降率 能够描述熔核生长过程,因此提取d]为一个特征分

量;④终态位移能够描述压痕的大小,提取终值d4为一个特征

分量:⑤ 曲线均值能够描述熔核焊接过程接头弹塑性变形的程

度,提取均值d 为一个特征分量;⑥ 提取曲线方差d6为一个特

征分量, 曲线方差能够描述曲线的离散程度。

(a)周波

(b)周波

图3 特征参量提取

堰脚

weldinz technolokay vo1.36 no.5 oct.2007 ·焊接设备与材料· 51

3 建立svm分类模型

3.1 svm的算法

支持向量机是把分类问题和回归问题归结为一个约束最优

化问题,能够解决这样的约束问题,就能够完成分类。原则上

说,求解这样的约束问题可以采用很多算法,比如:基本无约

束算法、牛顿一条件预优共轭梯度法以及一些内点算法等等,

但在实际处理中由于存储和计算量两方面的要求,这些算法往

往会失效 。针对大规模的原问题分解成若干个小规模的子问

题,按照某种迭代策略.反复求解子问题,构造出原问题的近

似解.并使该近似解逐渐收敛到原问题的最优解,按照子问题

的选取和迭代策略不同,可以有以下不同的算法:块分法、分

解算法和序列最小最优化方法[ 。

块分法是从任意数据子集出发,使用传统的二次规划算法

求解子问题,保留支持向量而舍弃其它点,用获得的支持向量

监测全部剩余数据,将其中 ( 是算法中事先给定的参数)

个违背kkt条件最严重的点加到新块中,在新块中求解对偶问

题。重复以上过程,直到满足停止要求。这种方法对于支持向

量数目远小于训练样本数目时能提高运算速度,在支持向量个

数本身比较多时,就变得比较缓慢。

分解算法是在块分法中只更新若干个lagrange乘子,而其

它的乘子保持不变,所以每次将一个样本点加到工作区中去就

要去掉另外一个样本点。迭代过程就是将工作集之外的样本点

中的一部分样本点与工作集中的另一部分样本点进行等量交

换.算法迭代直到满足条件为止。

序列最小最优化算法,建立在块分法的基础上,即工作集

的规模减少为2个,一个直接的后果就是迭代次数的增加,然

而该算法的优点是2个变量的最优化问题可以解析求解,每次

迭代只需选择2个变量进行调整,同时固定其它变量,通过求

解最优化问题。该算法常表现出整体的快速收敛性质,没有矩

阵运算,容易实现,是一种简单、高效、实用的分类方法。

3.2 svm分类模型

针对板厚1.0 mm的低碳钢标准试样进行搭接点焊.焊接电

流从3_3

6.o ka,按o.3 ka分档;电极压力从2.1~5.1 kn按1 kn

分档,焊接时间取20个周波;每种焊接参数下焊接3个样本,

共获得120个样本数据,建立样本空间。对焊接试样进行拉伸

试验,获取接头抗剪强度作为质量评判指标。基于样本空间提

取特征向量构筑分类模型的输入向量。

表1为给定焊接电流6.0—3.3 ka, 电极压力3 150 n,焊接

时间20周波的一组数据分散性描述。基于svm数据挖掘方法.

以原始特征向量数据集为基础。挑选具有代表性的特征, 以便

在特征空间中增加不同模式之间的差别。对板厚1.0 mm的低碳

钢板,按照抗剪强度是否大于3.89 kn将接头质量分为合格以及

不合格。通过测试得到表2中的最佳核函数参数,测试条件为:

每种焊接参数下一个样本,共40个样本作为训练样本。每种规

范下一个样本,共40个样本作为测试样本。

表1 数据分散性描述

焊接电流/ka 抗剪强度均值

6.0 5 288.7

5.7 5 069.6

5.4 4 801.7

5.1 4 958.4

4.8 4 749

4.5 4 628.8

4.2 4 537

、3.9 4 661.5

3.6 4 243.6

3.3 3 694.6

表2 不同样本集核函数的最佳参数

核函数 正确率(%) c g d p q

线性核 97.5 10-5

多项式核 92.5 l0 l0 2 0.1

rbf核 95 l l

sigmoid核 95 10 l l0

训练样本选择每种焊接参数一个样本,共40个样本。测试

样本选择每种焊接参数下一个样本,共40个样本;每种参数下

一个样本,同时每隔一种参数取一个样本。共60样本;每种参

数取2个样本,共80个样本。相同条件下对比4种核函数与rbf

神经网络模型的分类结果,测试不同核函数的泛化能力.测试

结果见表3 ‘

表3 不同测试集的s、 与rbf神经网络分类正确率

训练样本集,个 线性棱(%) 多项式核(%) rbf核(%) sigmoid

(%) rbf

h(%)

40 97.5 95 97.5 97.5 85

60 93.33 86.67 98.33 88.3 83.3

80 93.75 85 98.75 87.5 81.25

从svm对样本分类结果可以看出:

(1)不同核函数在匹配参数下均能实现点焊质量分类,构

筑2种信号的特征向量,通过对80个样本的分类测试,最小准

确率为88.3% ,性能优于rbf神经网络。

(2)相同&&emsp123;』ll练样本集下,增加测试样本数,rbf核函数的

接头质量分类准确率没有下降.当测试样本数大于训练样本数

时,多项式核函数分类正确率仍保持在80%以上,4种核函数

lrbf神经网络具有明显的优势。

4 结论

(1)电极位移和动态电阻信号能够表征焊接过程中熔核生

长状况,对动态电阻、电极位移信号提取特征分量能够反映熔

核形成过程,可以作为检测焊点质量的信号。

(2)对电极位移和动态电阻信号提取12个特征向量, 曲线

52 -焊接质量控制与管理· 焊接技术 第36卷第5期2007年lo月

文章编号:1002—025x&&emsp123;2007)05—0052—02

铝合金部件焊接变形的产生及控制

刘志平。王立夫

(中国北车集团唐山轨道客车有限责任公司焊接中心,河北唐山063035)

摘要:铝合金在焊接后会产生变形,这在很大程度上增加了焊后调修量,浪费了很多工时,严重时会导致生产进度延期。

为了进一步

解决铝合金焊接变形的1"-3题,通过对焊接变形的影响因素进行分析,提出了防止焊接变形的方法及焊接顺序制定原则.对今后铝合金

的焊接起到了一定的借鉴作用。

关键词:铝合金; 焊接变形;焊接顺序

中图分类号:tg404 文献标识码:b

铝合金广泛应用于航天、造船、铁道车辆等工业领域。随

着我国经济的迅速增长,高速铁路的发展已是大势所趋。开发

制造铝合金动车组项目已经作为国家“十一五” 的重点规划项

目。近年来,北车集团的几家大型客车制造企业先后与国外知

名企业合作,共同生产时速达到200 knrlh以上的铝合金高速动

车组。青岛四方与庞巴迪公司合作生产的时速200 knrlh crh1

动车组已经开始在沪杭线上运行:长客与阿尔斯通公司合作生

产的时速200 km/h crh5动车组也已经在京哈线上运行:唐车

与西门子公司合作生产的时速300 knrlh crh3动车组正在制造

中。铝合金动车组的出现已经成为国家铁路第六次大提速的主

导力量,标志着中国铁路已经迈进了高速铁路时代。

l 焊接变形产生的原因

铝合金在焊接过程中.不均匀的加热使得焊缝及其附近的

收稿日期:2oo7一o6—2o

温度很高,冷却后,焊缝就产生了不同程度的收缩和内应力

(纵向内应力和横向内应力),致使焊接结构产生各种变形。由

于铝的热导率是钢的3倍。因此铝合金焊接变形的控制要比碳

钢结构难度大。铝合金内部发生晶粒组织的转变所引起的体积

变化也可能引起焊件的变形,这是产生焊接应力与变形的根本

原因

2 焊件的残余变形和应力的危害性

在一般铝合金焊接结构中,残余变形的危害性比残余应力

大得多,它使焊接部件的尺寸改变而无法组装,使整个构件丧

失稳定性而不能承受载荷,使产品质量大大降低。而矫正却要

消耗大量的人力和物力,有时甚至会导致产品报废。同时焊接

裂纹的产生往往也和焊接残余变形和应力有着密切的关系。因

此。在制造铝合金焊接结构时。必须充分了解焊接时内应力发

生的机理和焊后决定工件变形的基本规律, 以控制和减小其危

害性

特征分量具有明显的物理意义,测试结果表明:提取的特征分

量能够描述接头形成过程。可以映射接头质量。

(3)构筑svm输入向量,对比4种核函数及不同样本数的

样本集训练svm分类器均可实现点焊接头的质量分类,参数匹

配的情况下4种核函数均能得到较好的分类结果;测试样本数

大于训练样本数时,svm仍能得到较好的分类结果;采用线性

核函数、rbf核函数在参数匹配条件下分类性能优于多项式核

函数以2

:sigmoid核函数.分类性能明显优于rbf

&emsp经网络模

型。

参考文献:

[1]jed ma,sanders sac.neuml works based learning and adoptive

control for manufacturing sy

ems[j].proceeding of the 91 [eee/

rjs.intemationa]workshop on intefigent robots systems,1991:242-

246.

[2]hao m osman,boomer k a and newton c j.developmems

in characterization of resistance spot welding of aluminum [j].

w elding journal,1996,i:is一8s.

[3]lee s r,choo y j,lee t y.a quality assurance technique for

resistance spot welding using a neuro-fuzzy algorithm ].2001,320-

328.

[4]andrew r.webb statistical pattern recognition second edition

[z].

[5]中国机械工程学会焊接学会.电阻焊理论与实践[m].北京:机械工

业出版社。1994.12—25。328.

[6]邓乃扬.数据挖掘中的新方法[m].北京:科学出版社, 2004.196.

[7]边肇祺.模式识别[m].北京:清华大学出版社, 1999.12全文查看摘要:以点焊质量监控为目的,通过对点焊过程电极位移信号、动态电阻信号的同步采集和信号分析,从2种信号中提取12个有效的特

征分量,构造点焊过程的监测数据集, 以焊点的抗剪强度为指标,利用支持向量机(svm)和rbf神经网络对焊点质量进行分类。测试

结果表明,2种信号特征向量作为svm的输入向量,在参数匹配的情况下,使用

不同的核函数对喷溅和焊点质量分类均能取得较好的分

类结果.分类器性能明显优于rbf神经网络模型。小样本情况svm具有较好的泛化能力,正确率仍保持在80%以上,据此认为提取电

极位移和动态电阻的特征向量构筑输入向量.建立的svm动态模型对点焊接头进行质量分类是可行的。

关键宇:电阻点焊;svm;质量分类;泛化能力;特征提取

中圄分类号:438.2 文献标识码:

电阻点焊自产生以来,以其高效率、低成本、易于实现自

动化的优点广泛应用于大量薄板焊接结构生产中,但点焊过程

的非线性及多变量耦合使得焊接过程难以控制。现代信号处

理、模式识别技术的发展,使得点焊过程质量监控技术有了长

足的进步,jvd1]以焊接电流、时间、电极压力为输入参数,

焊点质量为输出参数,利用bp网络建立输入与输出的映射;

ho利用线性回归分析建立监控参量与铝合金焊点强度及熔核

直径之间的映射模型【2]。基于概率统计模型得到的各类别特征

向量分布的统计分类方法正逐渐在电阻点焊领域中得到广泛应

用。统计分类方法很多,如:决策树和决策表等。

本文提供一种利用动态电阻和电极位移信号.提取特征向

量构建数据集,建立基于svm的点焊质量分类模型。

1 支持向量机

支持向量机(svm)是数据挖掘的一项新技术.是借助最

优化方法解决机器学习问题的新工具:是克服“维数灾难”和

“过学习” 等困难的有力手段 。其基本原理是通过定义适当的

内积函数。将训练数据集从输入空间非线性的映射到一个高维

特征空间(hilbr空间), 使样本在该空间线性可分.然后求

取新空间中的最优线性分类面。

假定训练数据可以被一个超平面正确地分开.则最优超平

面将由离它最近的少数样本点决定.这些决定最优超平面的样

本点就称为支持向量。

设线性可分样本集(毛, ), =1,&&emsp8943; ,/z,∈rd,y∈&&emsp123;+1,一1),

d维空间中线性判别函数:

收稿日期:2007—03—29

·r-b, (1)

svm是通过对拉格朗日算子的最大化来确定最大分类间隔

的解。构造拉格朗日函数为:

l(w,。,6)= 1 i z_σoi( 伽+6)+σ/,

厶 i=1 /=1

嘶≥0,i=1,2,&&emsp8943; ,n, (2)

其中,嘶是拉格朗日算子,并且满足下式:

1.1

0≤嘶≤c和 n 0, (3)

i=1

则在上面2个条件下最大化上述构造拉格朗日函数的对偶形式,

就可得出由嘶所决定的支持向量。即:

m l σ啦一 1σ嗍 辑, (4)

i=1 - i。j=l

优化 d牛苷取决于变换后的特征向量之间的数乘,若用一个核函

数k(,y)来代替数乘,就可以避免计算变换 ,此时判别函数

就可以写成σ ( )+6。使用核函数来代替数乘就不需要明

确知道,这对于高维特征空间可以有效避免“维数灾难” 的问

题。核函数类型的选择,或者说一种变换的选择,对于支持向

量机非常重要,它决定对分类中相似性和相似程度标准的选

择。由于分类问题可以看成一个相似问题。相似性又可以由向

量的内积来描述,因此,选择映射或者说选择核函数将直接影

响分类的结果。

常用核函数有如下形式:

线性核函数:k(,置) ·

多项式核函数:k(,鼍)=( · ) )p

rbf(rdil bsis funcion)核函数:k( ,i)=p(-- l 一

置i )

simoid核函数:k(, i)=nh(s( · i)+)

50 ·焊接设备与材料· 焊接技术 第36卷第5期20o7年10月

2 试验数据集

点焊试验系统由恒流控制交流点焊机唐山松下yf一

0201z

2、传感器、数据采集卡以及计算机组成,对焊接电流、

焊接电压、电极位移信号进行实时采集。利用roowski 流传

感器测取电流、焊接电压取自电极头两端电压,d一5型直流

差动位移传感器采集电极位移信号,数据采集系统由12位的

c6115 /[]d转换卡以及基于该卡用vb开发的数据采集软件构

成,同步采样率可达40 khz。信号分析和特征提取建立在

mdb软件平台上,通过构筑特征向量建立svm点焊质量分类

模型。图1为厚1.0 mm低碳钢板标准试样搭接试验,给定焊接

电流5.7 k。电极压力3.1 kn,焊接时间20周波的信号采样图。

:i 一

0占———— ———1 ——— ——

(b)周渡

图1 采集信号

2.1 检测信号选择

影响熔核生长的主要因素有焊接电流和电极压力[5]。动态

电阻和电极位移信号能够较好地反映焊接电流、电极压力的变

化. 以及如表面状态、网压波动等因素对接头质量的影响。因

此.选择动态电阻、电极位移为质量检测信号,其中动态电阻

的计算采用峰值法, 即半周波峰值电流时刻的电压除以峰值电

流,峰值法计算的动态电阻能够消除电路中交流互感影响。

2.2 特征向量

图2为厚1.0 mm低碳钢板标准试样搭接试验,给定焊接时

间20周波、电极压力3 150 n,不同焊接电流的动态电阻和电

极位移信号图,可以看出:① 点焊过程动态电阻初值不同,初

值反映了工件的表面状态,提取动态电阻初值r 为一个特征分

量;② 动态电阻峰值不同,峰值能够反映曲线斜率符号的改

变.提取动态电阻峰值r:为特征分量;③动态电阻终值能够反

映熔核大小,因此提取终态电阻r 为一个特征分量;④ 曲线的

峰值上升速度可以表明形成熔核的速度, 因此取动态电阻曲线

上升速度r 为一个特征分量;⑤ 动态电阻曲线均值能够反映点

焊过程中熔核的尺寸,提取动态电阻曲线均值r 为一个特征分

量;⑥ 动态电阻曲线上各点的离散程度能够用统计学中的方差

描述,因此,提取曲线上各半周波峰值的方差r 为一个特征分

量。

蔷。 三;等三三三三三

00l — — — — — — — — — — —

(b)周渡

图2 对应于不同焊接电流下的动态电阻和电极位移信号曲线

电极位移是点焊过程接头弹塑性变形的结果。图2b为对应

于图2的电极位移曲线。可以看出:①位移曲线峰值不同,提

取位移曲线峰值d1为一个特征分量, 曲线峰值能够描述熔核纵

向膨胀的最大值;②提取位移曲线峰值上升率d:为一个特征分

量,位移峰值上升率能够描述熔核纵向膨胀速度;③位移峰值

下降率 能够描述熔核生长过程,因此提取d]为一个特征分

量;④终态位移能够描述压痕的大小,提取终值d4为一个特征

分量:⑤ 曲线均值能够描述熔核焊接过程接头弹塑性变形的程

度,提取均值d 为一个特征分量;⑥ 提取曲线方差d6为一个特

征分量, 曲线方差能够描述曲线的离散程度。

()周波

(b)周波

图3 特征参量提取

堰脚

wldinz chnoloky vo1.36 no.5 oc.2007 ·焊接设备与材料· 51

3 建立svm分类模型

3.1 svm的算法

支持向量机是把分类问题和回归问题归结为一个约束最优

化问题,能够解决这样的约束问题,就能够完成分类。原则上

说,求解这样的约束问题可以采用很多算法,比如:基本无约

束算法、牛顿一条件预优共轭梯度法以及一些内点算法等等,

但在实际处理中由于存储和计算量两方面的要求,这些算法往

往会失效 。针对大规模的原问题分解成若干个小规模的子问

题,按照某种迭代策略.反复求解子问题,构造出原问题的近

似解.并使该近似解逐渐收敛到原问题的最优解,按照子问题

的选取和迭代策略不同,可以有以下不同的算法:块分法、分

解算法和序列最小最优化方法[ 。

块分法是从任意数据子集出发,使用传统的二次规划算法

求解子问题,保留支持向量而舍弃其它点,用获得的支持向量

监测全部剩余数据,将其中 ( 是算法中事先给定的参数)

个违背kk条件最严重的点加到新块中,在新块中求解对偶问

题。重复以上过程,直到满足停止要求。这种方法对于支持向

量数目远小于训练样本数目时能提高运算速度,在支持向量个

数本身比较多

推荐阅读
图文推荐
栏目列表