【正文】 %SVM預測 system([39。])。%d 39。%d:%39。SVM預測正確率:39。PosDataSet(n).Fea]。/39。 if (mod (n,10)==0) n endendsave tmp\ NagDataSet PosDataSet %保存二類數據disp(39。]。for i=1:length(files) if files(i).isdir amp。目前支持向量機有著幾方面的研究熱點：核函數的構造和參數的選擇；支持向量機從兩類問題向多類問題的推廣；更多的應用領域的推廣；與目前其它機器學習方法的融合；與數據預處理（樣本的重要度，屬性的重要度，特征選擇等）方面方法的結合，將數據中脫離領域知識的信息，即數據本身的性質融入支持向量機的算法中從而產生新的算法；支持向量機訓練算法的探索。本實驗采集了200幅圖片，恐龍類和花朵類各100張。LIBSVM訓練時可以選擇的參數包括：s svm類型：SVM設置類型（默認0）0—CSVC；1–vSVC；2–一類SVM；3—eSVR；4—vSVR。MATLAB建立在向量、數組和矩陣的基礎上，使用方便，人機界面直觀，輸出結果可視化。在核函數給定的條件下，求解非線性分類問題的支持向量機可以直接通過求解線性分類問題來解決。ω表示法向量， 中的T表示轉置，b表示截距，用Y來表示類別。同時我們也希望能夠一個最優(yōu)平面，能夠將不同類的數據點以最大間隔分開，這個最優(yōu)平面也稱為最大間隔超平面。支持向量機優(yōu)化目標是結構化風險最小而不是經驗風險最小，因此具有優(yōu)秀的泛化能力，這也是支持向量機成為目前最常用效果最好的分類器之一的原因。(4)學習算法常常受到大量參數的控制，選擇往往是通過啟發(fā)式參數調節(jié)過程，使系統(tǒng)使用困難并且不可靠。間接測量法可以在加工的過程中進行測量相關項，不需要停機進行，因此也不會影響切削加工過程。目前，國內在機床加工領域實時監(jiān)測還沒有成熟的發(fā)展，還停留在研究階段，沒有實際的應用。 密級： 公開 NANCHANG UNIVERSITY學 士 學 位 論 文THESIS OF BACHELOR（2011—2015年）題 目 基于支持向量機的高速刀具工況監(jiān)測 基于支持向量機的高速機床刀具工況監(jiān)測方法研究摘 要機床刀具磨損在工程中特別是機械加工過程是非常常見的一種現象，刀具磨損將直接影響到機床的加工效率，甚至可能導致產品報廢、機床停機等嚴重后果。現階段對刀具磨損的監(jiān)測，一般是由現場進行加工生產的工人通過經驗，根據高速刀具在切削過程中發(fā)出的聲音，或者判斷產品尺寸是否有較大偏差，但這樣的方法一般包含了很多的主觀因素，容易受到判斷者的影響，很難準確和高效地更換刀具，過早或者過晚的更換刀具都將影響生產效率，造成資源的浪費。然而間接測量法檢測的信號容易受到干擾，這也是該方法的一個主要缺點，不過隨著模式識別技術與信號分析處理技術的發(fā)展，目前國內外大多采用間接測量法。盡管存在著這些缺陷，學習算法在實際應用領域卻取得了可觀的成功。影響置信風險的因素主要有訓練樣本的數目以及分類函數的VC維。如果我們能夠找到滿足條件的最優(yōu)平面，那么這個分類器就稱為最大間隔分類器。對于一個二分類問題，通常取1和1來表示兩個不同的分類。這樣的學習可以不需要顯示定義特征空間和映射函數，完全可以在隱式的特征空間中進行。其中，矩陣是MATLAB的核心。t 核函數類型：核函數設置類型（默認2）0–線性核函數：u’v；1–多項式核函數：（r*u’v+coef0)^degree；2–RBF(徑向基)核函數：exp(r|uv|^2）3–sigmoid核函數：tanh(r*u’v+coef0)；d degree：核函數中的degree設置（針對多項式核函數）（默認3）g r(gamma）：核函數中的gamma函數設置（針對多項式/rbf/sigmoid核函數）（默認1/k，k為總類別數)r coef0：核函數中的coef0設置（針對多項式/sigmoid核函數）（（默認0)c cost：設置CSVC，eSVR和vSVR的參數（損失函數）（默認1）n nu：設置vSVC，一類SVM和vSVR的參數（）p p：設置eSVR中損失函數p的值（）m cachesize：設置cache內存大小，以MB為單位（默認40）e eps：設置允許的終止判據（）h shrinking：是否使用啟發(fā)式，0或1（默認1）wi weight：設置第幾類的參數C為weight*C(CSVC中的C)（默認1）v n:nfold交互檢驗模式，n為fold的個數，必須大于等于2以上參數的設置可以任意組合，如果參數設置不正確，參數將采用默認值。選擇100張作為訓練集數據，其中有50張恐龍的圖片，50張花朵的圖片。但支持向量機算法仍然存在著不足：(1) SVM算法對大規(guī)模訓練樣本難以實施。 strcmp(files(i).name,39。 %合成圖像文件名 Img=imread(f)。圖像數據生成完成...39。 files(i).name])。 TestLabel=[TestLabel 1]。)RightNum/length(Pred) %%主程序結束%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%disp(39。,dim,TrainData(n,dim))。,0)。system([39。LibSvm\ tmp\ tmp\ tmp\39。])。LibSvm\ s tmp\尺度模板 tmp\ tmp\39。for n=1:r fprintf(fid, 39。 end fprintf(fid, 39。)RightNumdisp(39。 for n=N+1:100 TestFea=[TestFea。) == 0 addpath([cd 39。 %此類為負類 Num=Num+1。.jpg39。%%%說明：將當前目錄下所有的子目錄加為可搜索路徑%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%files = dir(cd)。 展望支持向量機自90年代提出以來，隨著信息技術的發(fā)展和支持向量機本身具有的優(yōu)點，其理論和應用在橫向和縱向都有了迅速的發(fā)展。將驗證對圖像進行分類。這個函數包括四個參數，其中testing_label_vector:測試樣本的類標；esting_instance_matrix:測試樣本的特征；model是使用libsvmtrain返回的模型；libsvm_options是預測的參數，與訓練的參數形式一樣。MATLAB作為線性系統(tǒng)的一種分析和仿真工具，是理工科的大學生應該掌握的技術工具，它作為一種編程語言和可視化工具，可解決工程、科學計算和數學學科中許多問題。支持向量機使用核技巧的基本原理就是通過一個非線性的變換將輸入空間對應于一個特征空間，使得輸出空間對應于特征空間的超平面模型也即支持向量機。在n維的數據空間中找到一個超平面，可用下列方程來表示：這里的X表示的是數據點，是一個n維向量。我們希望能夠通過一個n1維的超平面把在n維實空間中的數據點分開，這個超平面常常被稱為線性分類器，我們可以找到許多符合要求的分類器。當模型的模型復雜度和條件概率分布、損失函數是對數損失函數，由模型先驗概率表示，此時的結構風險最小化問題可以等價于最大后驗概率估計問題，那么監(jiān)督學習問題就轉變成為經驗風險或者結構風險函數的最優(yōu)化問題，此時的經驗風險或者結構風險函數是最優(yōu)化的目標函數。(3)若訓練樣例書目有限，過大的假設函數類將會導致過擬合以及很差的泛化性。間接測量法主要是利用在加工過程中與刀具磨損有關的參數，比如切削力、振動強度、噪聲、工件幾何尺寸等相關物理量。所以，高速刀具磨損狀態(tài)監(jiān)測在生產過程中顯得尤為重要，它對生產效率、產品質量有著至關重要的作用，同時也能降低勞動力成本和原料成本。在加工過程中刀具的磨損將會對產品的質量和光滑度產生很大的影響，所以為了保證生產質量和效率對刀具工況的實時監(jiān)測顯得尤為重要。還有一種方法即定時更換刀具，但這種方法不夠靈活，太過死板。主流的間接測量法有：聲發(fā)射、切削力測量法、機械功率測量法、振動信號測量法、熱電壓測量法以及多信息融合檢測等方法。而支持向量機能夠處理所有的這些問題。訓練樣本數目越