基于支持向量机的不常用备件分类模型研究

发布时间：2020-10-31 06:05

　　 不常用备件管理是库存管理中非常重要的一个问题。不常用备件常为企业运营的关键部件,其特征为重要性高,价格昂贵,使用频次低、间隔期长且不确定。备件管理与企业的正常生产和经济效益密切相关,不常用备件的合理分类对于备件管理优化极为重要。 本文首先回顾了传统的ABC库存备件分类法的局限性。然后,介绍了支持向量机分类及相关的机器学习理论。支持向量机具有对有限样本情况下的数据分类问题,具有全局优化、训练时间短、泛化性能好、算法复杂度与特征空间维数无关等优点,适合不常用备件分类这种复杂的分类问题。 接着,结合核电企业ABC备件分类实例,分析不常用备件数据集特征,并引入支持向量机及相关的机器学习技术,提出一个不常用备件分类模型框架。接下来对该框架中的一些关键技术点做了阐述和实证:对多分类编码方法进行了比较;对支持向量机惩罚参数、核函数及其核参数对分类模型的影响做了解释;在研究、比较支持向量机多类别分类方法及模型参数选择方法的基础上,提出了一种改进的支持向量机参数优化方法——自适应模式搜索参数选择方法(Parameter Selection via Adaptive Pattern Search)。通过实验,说明了基于支持向量机的分类模型可以比较全面的找出对备件管理起重要作用的备件,自动完成备件分类,提高设备管理工作的效率和效果。 最后,总结全文并指出下一步研究方向。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2008
【中图分类】：TH186
【部分图文】：

红色的点代表 B 类备件，蓝色的点代表 C 类备件。各个属性都进行了归一化。图3-1 不常用备件数据集属性分布矩阵从图 3-1 中可以观察到，没有属性可以唯一决定不常用的分类。也就是说，各个属性

归一化前的参数寻优空间

26图 3-4 归一化后的参数寻优空间简简是机器学习中对数据预处理的一种常见手段。在构建分类模输入属性并不是越多越好。一些属性与目标属性相关程度不大中包含较多噪音，对分类模型精度反而有负面影响。精简指标持向量机的输入空间维数，缩小求解问题的规模，从而降低计。使用 RELIEF 方法[43]对训练样本的属性重要性进行评价，得到
【引证文献】

相关期刊论文 前3条

1 赵金宝;;PCB制造企业备件库存分类改进模型研究[J];产业与科技论坛;2013年10期

2 冯杨;尹迪;罗兵;;不常用备件基于AHP的ABC分类模型[J];计算机与数字工程;2011年02期

3 胡钰松;胡常伟;;模具制造企业备件库存分类方法研究[J];机械设计与制造;2012年11期

相关硕士学位论文 前5条

1 张志彦;考虑设备关键性的备件库存研究[D];河北科技大学;2010年

2 张瑞芳;基于灰色粗糙集理论的维修备件库存控制研究[D];电子科技大学;2011年

3 李文娟;基于粗糙集—支持向量机的个人信用评估[D];重庆大学;2011年

4 胡钰松;模具制造企业备件库存分类模型研究[D];广东工业大学;2012年

5 魏晶晶;基于MARS-SVM的信用卡信用评估模型研究[D];浙江工商大学;2012年

本文编号：2863548