基于决策树分类器和神经网络的工艺参数优化研究.pdfVIP

基于决策树分类器和神经网络的工艺参数优化研究 包洋 东华大学机械学院, （200051 ） Tomybao@126.com 摘 要： 提出了基于决策树分类器和神经网络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：决策树 分类器 神经网络 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 ＝｛t ，t ，…，t ｝，元组ti⊆D ，类的集合C ＝ 1 2 n ｛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t 分配到某个类C 中，有C ＝｛t | f （t ） = C ，1≤i≤n ，且t ∈D ｝ i j j i i j i 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（sv ，v ，… ，v ；c ）， 其中v 表示字段值，c表示类别。标 1 2 n i 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： - 1 - 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C （i=1，2 ，…，m ）。假设s 是类别C 中的样本数，样本分类所需的信息量由下式 i i i 给出： m I (s ,s , …,s ) − p log(p ) 1 2 m ∑ i i i 1 其中p 是任意