改进MDSMOTE与PSO-SVM在汽车组合仪表分类预测中的应用

• 作者: 肖圳 何彦 李育锋 吴鹏程 刘德高 杜江
• 来源期刊: 工程设计学报
• 学科: 交通运输
• 关键词: 汽车组合仪表 分类预测 改进最远点合成少数类过采样技术 支持向量机 粒子群优化
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 保质设计|Design for Quality
• 页码范围: 20-27
• 页数: 8页
• 分类号: U463.7
• 语种: 中文
• DOI: 10.3785/j.issn.1006-754X.2022.00.016

摘要

汽车组合仪表生产过程中质检项目多且检测时间长,这在一定程度上制约了其生产效率的进一步提升.为此,提出一种基于改进最远点合成少数类过采样技术(max distance synthetic minority over-sampling technique,MDSMOTE)的支持向量机(support vector machine,SVM)分类预测方法.首先,结合专家经验对汽车组合仪表的原始生产数据进行特征筛选,并在MDSMOTE中引入类不平衡率IR,以对所筛选的特征数据进行扩充;然后,利用粒子群优化(particle swarm optimization,PSO)算法对SVM的误差惩罚因子C和核函数参数γ进行优化;最后,建立优化的SVM分类预测模型,并对汽车组合仪表进行分类.通过与其他分类预测模型在不同数据集上的预测结果进行对比可知,基于改进MDSMOTE的SVM分类预测模型的准确率、F值和几何平均值等评价指标均优于其他模型.所提出方法在汽车仪表产品分类上表现出较强的泛化能力和稳定性,可为仪表制造企业生产效率的提升提供有效参考.