Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối Ưu Hóa Lựa Chọn Đặc Trưng cho Hệ Mahalanobis-Taguchi Sử Dụng Tối Ưu Hóa Bầy Hạt Hành Vi Lượng Tử Hỗn Loạn
Tóm tắt
Tốc độ tính toán trong việc lựa chọn đặc trưng của hệ thống Mahalanobis-Taguchi (MTS) sử dụng tối ưu hóa bầy hạt nhị phân tiêu chuẩn (BPSO) là chậm và dễ mắc phải các giải pháp tối ưu cục bộ. Bài báo này đề xuất một phương pháp tối ưu hóa biến trong MTS dựa trên bầy hạt hành vi lượng tử hỗn loạn. Để tránh ảnh hưởng của tính đồng tâm phức tạp lên kết quả đo lường khoảng cách, trước tiên phương pháp chuẩn hóa Gram-Schmidt được sử dụng để tính toán giá trị khoảng cách Mahalanobis (MD). Sau đó, điểm ngưỡng tối ưu của phân loại hệ thống được xác định thông qua đường cong đặc trưng tính năng nhận diện (ROC); tỷ lệ phân loại sai và các biến được chọn được xác định; mô hình lập trình hỗn hợp đa mục tiêu được xây dựng. Thuật toán tối ưu hóa bầy hạt hành vi lượng tử hỗn loạn (CQPSO) được đề xuất để giải quyết tổ hợp tối ưu hóa, và thuật toán thực hiện mã nhị phân trên hạt dựa trên xác suất. Sử dụng tổ hợp biến đã được tối ưu hóa, một hệ thống dự đoán dựa trên chỉ số Mahalanobis-Taguchi mới được thiết lập để hoàn thành nhiệm vụ phân loại chính xác. Cuối cùng, chẩn đoán lỗi cho tấm thép được lấy làm ví dụ. Các kết quả thử nghiệm cho thấy phương pháp được đề xuất có thể nâng cao hiệu quả tốc độ lặp và độ chính xác tối ưu hóa của các hạt, và độ chính xác dự đoán của MTS tối ưu hóa được cải thiện đáng kể.
Từ khóa
#Tối ưu hóa #Lựa chọn đặc trưng #Hệ Mahalanobis-Taguchi #Bầy hạt #Hành vi lượng tử hỗn loạn #Phân loại.Tài liệu tham khảo
YANG T H, CHENG Y T. The use of Mahalanobis-Taguchi system to improve flip-chip bumping height inspection efficiency [J]. Microelectronics Reliability, 2010, 50(3): 407–414.
HUANG C L, HSU T S, LIU C M. The Mahalanobis-Taguchi system — neural network algorithm for datamining in dynamic environments [J]. Expert Systems with Applications, 2009, 36(3): 5475–5480.
SHAKYA P, KULKARNI M S, DARPE A K. Bearing diagnosis based on Mahalanobis-Taguchi-Gram-Schmidt method [J]. Journal of Sound and Vibration, 2015, 337: 342–362.
RIZAL M, GHANI J A, NUAWI M Z, et al. Cutting tool wear classification and detection using multisensor signals and Mahalanobis-Taguchi system [J]. Wear, 2017, 376(15): 1759–1765.
YAZID A M, RIJAL J K, AWALUDDIN M S, et al. Pattern recognition on remanufacturing automotive component as support decision making using Mahalanobis-Taguchi system [J]. Procedia CIRP, 2015, 26: 258–263.
ZENG J H, ZENG F Z. The measurement scale of Mahalanobis-Taguchi system optimization based on fuzzy robustness discriminant criterion [J]. Industrial Engineering and Management, 2008, 13(3): 52–55 (in Chinese).
IQUEBAL A S, PAL A, CEGLAREK D, et al. Enhancement of Mahalanobis-Taguchi system via rough sets based feature selection [J]. Expert Systems with Applications, 2014, 41(17): 8003–8015.
NIU J L. Methods of classification and sort evaluation using Mahalanobis-Taguchi system based on omni-optimizer algorithm and applications [D]. Nanjing: Nanjing University of Science & Technology, 2012.
RESÉNDIZ E, MONCAYO-MARTÍNEZ L A, SOLÍS G. Binary ant colony optimization applied to variable screening in the Mahalanobis-Taguchi system [J]. Expert Systems with Applications, 2013, 40(2): 634–637.
PAL A, MAITI J. Development of a hybrid methodology for dimensionality reduction in Mahalanobis-Taguchi system using Mahalanobis distance and binary particle swarm optimization [J]. Expert Systems with Applications, 2010, 37(2): 1286–1293.
JIN X H, CHOW T W S. Anomaly detection of cooling fan and fault classification of induction motor using Mahalanobis-Taguchi system [J]. Expert Systems with Applications, 2013, 40(15): 5787–5795.
LIPARAS D, LASKARIS N, ANGELIS L. Incorporating resting state dynamics in the analysis of encephalographic responses by means of the Mahalanobis-Taguchi strategy [J]. Expert Systems with Applications, 2013, 40(7): 2621–2630.
MAHALAKSHMI P, GANESAN K. Mahalanobis Taguchi system based criteria selection for shrimp aquaculture development [J]. Computers and Electronics in Agriculture, 2009, 65(2): 192–197.
XI M L, SUN J, WU Y. Quantum-behaved particle swarm optimization with binary encoding [J]. Control and Decision, 2010, 25(1): 99–104.