基于神经网络和决策树分类器的工艺参数优化研究.docVIP

基于神经网络和决策树分类器的工艺参数优化研究 摘 要： 提出了基于神经网络和决策树分类器的机械加工工艺参数寻优方法，根据已有的样本训练数据建立分类和神经网络模型，针对要求的加工目标，通过对分类规则的提取，生成预测数据集，结合建立的神经网络模型，迅速准确的预测出对应的加工工艺参数。关键词：神经网络分类器 决策树 工艺参数 分类规则1. 引 言 在机械加工中，加工参数的选择对加工生产率和经济效益具有重要的影响，而加工参数一般是有经验的机械师的操作记录，这些记录再编纂成机械加工手册。但手册中的数据仅仅适用于特定的机加工条件，对于略有不同的机加工条件就可能不适用。而在通常加工系统中，加工参数的选择主要依靠加工手册、工人的经验等来确定，因此正确性难以保证。同时，现代工业生产中的计算机在加工过程中采集大量的数据，这些数据及其关系人工一般是很难理解、辨认和优化的，特别对一个新的加工工艺，没有参考的经验和手册，只有不断积累的数据，这时要迅速的建立优化的加工参数，按照传统的技术和方法，难度是较大的。本文针对这种问题，提出了基于决策树分类器和神经网络的加工参数寻优的新方法。2. 基本原理与概念2.1 分类 分类要解决的问题是为一个事件或对象归类，在已有数据的基础上学会一个分类函数或构造出一个分类模型。 分类的一般性描述如下：给定数据库D＝｛t1，t2，…，tn｝，元组ti?D，类的集合C＝｛C1，……，Cm｝，分类问题定义为从数据库到类集合的映射f：D－C，即数据库中的元组ti分配到某个类Cj中，有Cj ＝｛ti | f（ti） = Cj，1≤i≤n，且ti∈D｝构造决策树分类器，需要有一个训练样本数据集作为输入。训练集（Training set） 由一组记录或元组构成，每个记录是一个由有关字段值组成的特征向量，这些字段称做属性（Attribute），用于分类的属性称为标签（Label），标签属性即训练集的类别标记。一个具体的样本的形式可以表示为（sv1，v2，… ，vn；c）， 其中vi表示字段值，c表示类别。标签属性的类型必须是离散的，且标签属性的可能值的数目越少越好。 决策树分类器在确定分类节点时，采用信息论中信息熵理论来选择节点，信息熵为信息论中用于描述每个消息的信息量以及信源的平均不确定性，决策树分类器中用其作为特征判别能力的度量，以其下降的速度作为测试属性的标准，其概念如下所述： 设S是具有s个样本的集合，假定决策属性是类标号属性，具有m个不同的值，定义了不同的类别Ci（i=1，2，…，m）。假设si是类别Ci中的样本数，样本分类所需的信息量由下式给出： 其中pi是任意样本属于Ci的概率，并用si/s估计。设属性A取v个不同的值{a1，a2，…，av}。利用属性A可以将集合S 划分为v个子集{S1，S2，…，Sv}，其中Sj包含了S集合中属性A取aj值的数据样本。若属性A被选为测试属性（用于对当前样本集进行划分），设sij为子集Sj中属于Ci类别的样本数。那么利用属性A划分当前样本集合所需要的信息熵可以计算如下： E(A)的计算结果越小，即表示属性A划分子集的结果越“纯”越好。2.2 神经网络 人工神经网络（ANN，Artificial Neural Networks）是近年来发展起来的十分热门的交叉学科。神经网络是模拟人类的形象直觉思维，在生物神经网络研究的基础上，根据生物神经元和神经网络的特点，通过简化、归纳，提炼总结出来的一类并行处理网络，利用其非线性映射的思想和并行处理的方法，用神经网络本身的结构来表达输入和输出的关联知识。神经网络方法中可分为前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。神经网络通过学习分析数据中的模式来构造模型, 它由“神经元”的互连或按层次组织的节点构成。通常神经模型由三个层次组成: 输入、中间层和输出。每一神经元求得输入值, 再计算总输入值, 由过滤机制(例如阀值) 比较总输入, 然后确定自己的输出值。3. 优化算法本文基于决策树规则和神经网络构建的加工参数优化算法流程如下： 3.1 生成决策树规则 首先建立分类模型。设数据样本集为S，其所有属性列为（v1，v2 ,……，vn；c），其中c表示加工的目标或要求，其值一般是连续型的，从其取值的意义无法形成具有分类功能的类别，并且决策树分类器要求类别属性必须是离散型，故需对其进行泛化处理。本文采用自然分割法对类别属性进行泛化。v1－vn对应着加工参数，它们的取值也以连续型居多，如车床的进给量等。决策树对连续型属性的处理是将其分成两个大区间，并不利于进行深入的分析，所以在建立分类模型之前，对连续型的属性也要进行泛化。对样本集泛化预处理完成后，可按照决策树