毕业设计（论文）-基于拉普拉斯支持向量机的高速机床道具工况检测方法研究.doc

密级： 公开 NANCHANG UNIVERSITY学 士 学 位 论 文THESIS OF BACHELOR（20112015年）题 目 基于支持向量机的高速刀具工况监测 学 院： 信息工程学院 系 电气与自动化工程系 专业班级： 测控技术与仪器112班 学生姓名： 学号： 指导教师： 职称： 副教授 起讫日期： 2015年2月 至 2015年6月 南 昌 大 学学士学位论文原创性申明本人郑重申明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式表明。本人完全意识到本申明的法律后果由本人承担。作者签名： 日期：学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权南昌大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密，在 年解密后适用本授权书。本学位论文属于 不保密。（请在以上相应方框内打“”）作者签名： 日期：导师签名： 日期：摘要 基于支持向量机的高速机床刀具工况监测方法研究专 业：测控技术与仪器 学 号：5801211071 学生姓名： 邓婷婷 指导教师： 张宇摘 要机床刀具磨损在工程中特别是机械加工过程是非常常见的一种现象，刀具磨损将直接影响到机床的加工效率，甚至可能导致产品报废、机床停机等严重后果。在加工过程中刀具的磨损将会对产品的质量和光滑度产生很大的影响，所以为了保证生产质量和效率对刀具工况的实时监测显得尤为重要。传统检测刀具是否磨损一般采用直接测量刀具或者工件的尺寸，与标准尺寸进行对比，但这种方法不仅耗时也很浪费人力。采用实时监测的方法，及时将机床刀具数据监测出来并进行处理后能够立刻得到刀具的实时状态。本文将获得的数据作为支持向量机的输入向量，通过支持向量机的二分类方法将刀具监测的数据进行处理，分为磨损和不磨损两种状态。对刀具进行实时监测，能够及时发现刀具磨损状态，节约人力物力资源成本。关键词：机床刀具；实时监测；支持向量机；磨损状态识别IVAbstractResearch on SVM high-speed machine tool condition monitoring based approachAbstractTool wear in engineering,especially mechanical process is a very common phenomenon.Tool wear will directly affect the efficiency of the machining, And may even lead to serious consequences product obsolescence,machine downtime.Tool wear will have a huge impact on the quality and smoothness of the product during processing,So in order to ensure production quality and efficiency for real-time monitoring tool condition is particularly important.Traditional check whether the tool wear is usually directly measure the size of the tool or work piece,compared with the standard size .However this method is not only time consuming but also a waste of manpower.Real-time monitoring method,timely data to monitor machine tool and process out to get real-time status after the tool immediately.Data obtained as SVM input vector,By SVM binary classification method of data processing tool monitoring.And then wear and not wear is divided into two states。In this way, for real-time monitoring tool,the ability to detect tool wear,thus saving the cost of human and material resources.Keyword: Real-time monitoring;SVM;Machine tool;Wear state recognition目录目录摘 要IAbstractII第一章 绪论11.1 高速刀具磨损状态监测的意义11.2 高速刀具磨损状态的国内外发展现状1第二章 高速刀具状态的监测方法32.1 刀具状态监测方法32.1.1直接测量法32.1.2间接测量法32.2 本文研究内容3第三章 支持向量机对高速刀具磨损状态的识别53.1 支持向量机原理53.1.1学习方法53.1.2泛化性理论63.1.3结构风险最小化63.2 支持向量机73.2.1支持向量机概述73.2.2最大间隔超平面83.2.3线性分类93.2.4核函数10第四章 支持向量机对高速刀具磨损状态监测分类的软件实现114.1 libsvm概述114.2 matlab概述114.3 matlab中libsvm的使用124.3.1训练124.3.2预测124.3.3训练的参数124.3.4训练返回的内容134.3.5预测返回的内容144.3.6读取或保存144.4 本文支持向量机二分类实验14第五章 总结与展望165.1 论文总结165.2 展望16致谢18参考文献19附 录20第一章 绪论第一章 绪论1.1 高速刀具磨损状态监测的意义在机床加工过程中，刀具高速运转，在切削过程中不可避免的存在着一定程度的磨损，而刀具磨损的阶段是不同的，细微的磨损对工件的质量并未有太大的影响，只要保证产品尺寸误差在一定范围内，刀具的磨损是可以忽略不计的。但是，刀具磨损到一定阶段，将会对产品产生极大影响，直接影响到生产效率，产品质量、加工精度。刀具磨损较为严重甚至会导致机床停机，危害工作人员的生命健康。刀具磨损状态监测能够实时监测出刀具的磨损状态，及时发现刀具磨损是否已经严重影响到生产。所以，高速刀具磨损状态监测在生产过程中显得尤为重要，它对生产效率、产品质量有着至关重要的作用，同时也能降低劳动力成本和原料成本。目前，国内在机床加工领域实时监测还没有成熟的发展，还停留在研究阶段，没有实际的应用。现阶段对刀具磨损的监测，一般是由现场进行加工生产的工人通过经验，根据高速刀具在切削过程中发出的声音，或者判断产品尺寸是否有较大偏差，但这样的方法一般包含了很多的主观因素，容易受到判断者的影响，很难准确和高效地更换刀具，过早或者过晚的更换刀具都将影响生产效率，造成资源的浪费。还有一种方法即定时更换刀具，但这种方法不够灵活，太过死板。刀具磨损常常与环境还有工件的材质等等因素有很大的关系，定时更换刀具会造成资源的浪费，是一种不太经济的方法。高速刀具磨损状态监测是通过振动加速度传感器分别监测道具X,Y,Z轴方向的振动情况。通过实时测得机床数据，传入系统中，通过支持向量机的分类方法，刀具的磨损实时状态做出判断。这样一来，能够及时发现刀具磨损程度，是否需要即刻更换刀具。这种方法可以减少刀具的浪费，同时也能大大提高生产效率，节约生产资源。1.2 高速刀具磨损状态的国内外发展现状虽然从上个世纪四十年代初国内外对刀具磨损监测就开始了初步的探索目前，对刀具磨损的监测技术发展并不成熟，大部分都处于实验室研究阶段，在实际生产领域中应用并不成熟。目前国内对高速刀具工况的状态监测采用直接法和间接法，而多采用间接法。迄今为止,在刀具状态监测技术领域，多个国家的研究机构已经有了深入的研究并取得了大量的研究成果。26第二章 高速刀具状态的监测方法第二章 高速刀具状态的监测方法2.1 刀具状态监测方法刀具状态的监测方法通常可以分为直接和间接测量法。2.1.1直接测量法直接测量法是通过直接识别刀刃外观、几何形状以及表面质量的变化测得的。目前直接测量法常采用的方法是：电阻测量法、光纤测量法、射线测量法、放电电流测量法、微结构镀层法等。但直接测量法存在两个缺点：（1）只能在停机的时候进行监测，占用生产时间；（2）不能检测出在加工过程中突然出现的问题，这使得直接测量法在应用上受到一定的限制。2.1.2间接测量法间接测量法主要是利用在加工过程中与刀具磨损有关的参数，比如切削力、振动强度、噪声、工件几何尺寸等相关物理量。间接测量法可以在加工的过程中进行测量相关项，不需要停机进行，因此也不会影响切削加工过程。然而间接测量法检测的信号容易受到干扰，这也是该方法的一个主要缺点，不过随着模式识别技术与信号分析处理技术的发展，目前国内外大多采用间接测量法。主流的间接测量法有：声发射、切削力测量法、机械功率测量法、振动信号测量法、热电压测量法以及多信息融合检测等方法。2.2 本文研究内容本文研究通过支持向量机的方法，将检测出来的机床数据分为磨损状态和非磨损状态。机床数据的监测是通过振动频率测量法获得的。刀具在切削过程中，刀具与工件会发生摩擦从而产生不同频率的振动刀具状态的监测系统基本结构如图所示：图1 刀具状态的监测系统基本结构第三章 支持向量机对高速刀具磨损状态的识别第三章 支持向量机对高速刀具磨损状态的识别分类作为数据挖掘领域中一项十分重要的任务，其目的是学会一个分类函数或分类模型，而支持向量机本身就是一种监督式学习的方法，自提出以来得到了迅速的发展并广泛地应用于统计分类以及回归分析等问题当中。支持向量机通过寻求结构化风险最小化的方法，提高了学习机泛化能力，使经验风险和置信范围的最小化，因此支持向量机对于小样本也有很好的统计结果。支持向量机（SVM）由Vapnik及其合作者发明，是在统计学习理论的基础上发展起来的新一代的学习算法，它在文本（超文本）分类、图像分类、生物序列分析、手写识别等领域中均获得了较好的发展的应用。在1992年计算学习的理论会议上介绍进入机器学习领域，之后便受到了广泛的关注。其后在20世纪90年代中后期得到了全面而深入的发展，现在已经成为机器学习和数据挖掘的标准工具。3.1 支持向量机原理3.1.1学习方法使用样例来合成计算机程序，这样的过程称为学习方法。通常把假设集合或者假设空间的选择看做是学习过程的关键因素，从训练数据中学习并从假设空间中选择假设的算法，这个算法也称为学习算法，常作为第二个重要因素。在线学习算法的质量可以由训练阶段的出错总数衡量，可以应用监督学习方法到批量训练数据上。学习算法可能存在的缺点有：(1)学习算法可能是低效的，可能出现局部最小值的情形。(2)输出的假设规模可能大到不切实际。(3)若训练样例书目有限，过大的假设函数类将会导致过拟合以及很差的泛化性。(4)学习算法常常受到大量参数的控制，选择往往是通过启发式参数调节过程，使系统使用困难并且不可靠。尽管存在着这些缺陷，学习算法在实际应用领域却取得了可观的成功。而支持向量机能够处理所有的这些问题。3.1.2泛化性理论由于随着自由度的增加，分类超平面变得更加不适定，所以适应性的增加容易导致过拟合的产生。成功控制核函数特征空间的适应性需要一套完善的泛化性理论，它能够精确描述控制学习器中哪个因子能够保证好的泛化能力。出现的几个学习理论中最合适的莫过于Vapnik和Chervonenkis（VC）理论。从历史上讲VC理论也促进了SVM的出现。VC维的直观定义是：对一个指标函数集，如果存在n个样本能够被函数集中的函数按所有可能的2n种形式分开，则称函数集能够把n个样本打散；函数集的VC维就是它能打散的最大样本数目n。若对任意数目的样本都有函数能将它们打散，则函数集的VC维是无穷大，有界实函数的VC维可以通过用一定的阀值将它转化成指示函数来定义。VC维常常被作为衡量机器复杂程度和描述分类系统的性能指标，是数学和计算机科学中非常重要的定量化概念。它反映了函数集的学习能力，VC维越大则机器学习越复杂。然而目前并没有通用的关于如何计算任意函数集的VC维理论，仅仅对于机械较为特殊的函数集的VC维可以准确的知道，而对于一些稍微复杂的学习机器，例如神经网络，其VC维不仅与函数集选择有关通常也会受学习算法等的影响，故确定其VC维更加困难。对于已经给定的学习函数集，如何用理论或者实验方法计算它的VC维仍然是当前学习理论中有待研究的问题。3.1.3结构风险最小化支持向量机（SVM）方法是基于统计学习的VC维理论以及结构最小化原理基础上提出的，为了防止过拟合的问题提出了结构风险化的策略。结构风险由置信风险和经验风险组成，其中置信风险和经验风险分别是指分类器对未知样本进行分类得到的误差和训练好的分类器对训练样本重新分类得到的误差，也即样本误差。当模型的模型复杂度和条件概率分布、损失函数是对数损失函数，由模型先验概率表示，此时的结构风险最小化问题可以等价于最大后验概率估计问题，那么监督学习问题就转变成为经验风险或者结构风险函数的最优化问题，此时的经验风险或者结构风险函数是最优化的目标函数。支持向量机优化目标是结构化风险最小而不是经验风险最小，因此具有优秀的泛化能力，这也是支持向量机成为目前最常用效果最好的分类器之一的原因。影响置信风险的因素主要有训练样本的数目以及分类函数的VC维。训练样本数目越多，置信风险就越小；VC维越大，那么问题的解的种类就越多，推广能力也就越差，置信风险也越大。所以要想达到降低置信风险的目的，就要增加样本数的同时降低VC维。而一般的分类函数需要提高VC维，虽然这样通过提高样本的特征数据量来降低了经验风险，却会导致置信风险的变高，因此结构风险也会相应变高。结构风险最小化就是同时考虑了经验风险与结构风险。在小样本的情况下取得较好的分类效果，保证经验风险的同时，降低VC维可以控制学习机器在整个样本集上的期望风险。当训练样本给定的条件下,分类间隔越大，对应的分类超平面集合的VC维就越小。要想达到真实风险最小，根据结构风险最小化原则只需要使推广性的界中置信范围最小。3.2 支持向量机3.2.1支持向量机概述这里的“机”即“机器”，支持向量机实际上是一种算法，一种可训练的机器学习方法。支持向量机（SVM）也是定义在特征空间上的间隔最大的线性分类器，是一种二类分类模型。支持向量机的学习策略就是间隔最大化，这样使支持向量机有别于感知机，这种学习策略可以形式化维一个求解二次规划的问题，也等价于正则化的合页损失函数的最小化问题。因此，支持向量机可以利用已知的有效算法，进而发现目标函数的全局最小值。支持向量机不仅在解决小样本非线性问题和高维模式识别中具有良好的效果，在函数拟合等其他机器学习问题中也得到了大力推广，所以从90年代开始便迅速地发展起来。我们通常希望分类的过程是一个机器学习的过程。我们希望能够通过一个n-1维的超平面把在n维实空间中的数据点分开，这个超平面常常被称为线性分类器，我们可以找到许多符合要求的分类器。同时我们也希望能够一个最优平面，能够将不同类的数据点以最大间隔分开，这个最优平面也称为最大间隔超平面。如果我们能够找到满足条件的最优平面，那么这个分类器就称为最大间隔分类器。支持向量机的主要思想可以概括为两点：（1）支持向量机主要针对线性可分的情况进行分析，对于线性不可分的情况，通过使用非线性映射算法（核函数）将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。（2）支持向量机给予结构风险最小化理论，在特征空间构建最优分割超平面，使学习器得到全局最优化，并且在整个样本的空间的期望风险以某个概率满足一定上界。3.2.2最大间隔超平面支持向量机将输入向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。一般来说，一个点距离分离超平面的远近可以表示分类预测的确信程度，这里的远近即指函数间隔。函数间隔的定义为：对于给定的训练数据集和超平面(，b)，定义超平面(，b)关于样本点(Xi，Yi)的函数间隔为函数间隔可以作为衡量分类预测的正确性以及确信度的参考，但此时超平面不是唯一确定的，这就还需要对超平面的法向量加一些约束，比如通过规范化使间隔大小确定，这时函数间隔称为几何间隔。对于线性可分的训练数据集有无穷多个线性可分的分离超平面，但是几个间隔最大的分离超平面却是可以唯一确定的，这里的最大化也称作间隔最大化。间隔最大化是指对于给定的训练数据集，找到一个几何间隔最大的超平面，使其具有充分大的确信度能够对训练数据甚至对于离超平面很近的最难分的实例点也能进行准确分类，也有足够大的确信度。如何让求得一个几何间隔最大的分离超平面即求最大间隔分离超平面可以表示为一个约束最优化问题。即我们希望约束条件可以表示为超平面(，b)对于每个给定训练样本点的几何间隔是至少是，其中指最大化超平面(，b)关于训练数据集的几何间隔。3.2.3线性分类本文描述的是一个二分类问题，支持向量机是在特征空间中进行的学习，其学习目标就是在特征空间中找到一个分离超平面，能将给定的线性可分的实例分到不同类。在n维的数据空间中找到一个超平面，可用下列方程来表示：这里的X表示的是数据点，是一个n维向量。表示法向量， 中的T表示转置，b表示截距，用Y来表示类别。对于一个二分类问题，通常取1和-1来表示两个不同的分类。也即分离超平面将特征空间划分为两部分，一部分是正类一部分是负类。法向量指向的一侧为正类，另一侧为负类.如图所示的一个二维平面，分别用蓝色和红色两种不同的颜色来表示平面上两种不同的点，最中间红颜色的直线表示一个可行的超平面。从图中我们可以看出，这条红色的线完全分开了两种不同颜色的点，这条红色的线就是上文提到的超平面。在红色直线一侧，也即超平面一边的数据点所对应的y是1，另外一边是-1。. 通常我们令分类函数，如果数据点X满足f（x）=0，那么数据点x就是超平面上的点。对于f（x）0的点对应于y等于1，对于f（x）0的点对应于y等于-1。而要确定这个分类函数，那么我们就要确定分类函数中的参数，也就是求法向量，截距b。为了能更好的划分不同类的点，需要寻找两条边界端或极端划分直线中间的最大间隔。进而也可以将寻求分类函数的问题转化为对、b的最优化问题，最终可化为对对偶因子的求解。3.2.4核函数对于解决线性分类问题，线性分类支持向量机是一种非常高效的方法。然而现实中的数据分类大多是非线性的情况，由此提出了核技巧。非线性的问题往往不好求解，所以希望能够转化到线性的问题上，通过求解变换后的线性问题的方法就可求解原非线性的问题。用线性分类方法解决非线性分类方法的问题常常可以分为以下两步：（1）首先通过一个变换使原空间的数据映射到新的空间，这个变换就是通过核函数进行的；（2）在新空间里用线性分类的学习方法将训练数据进行学习分类。支持向量机使用核技巧的基本原理就是通过一个非线性的变换将输入空间对应于一个特征空间，使得输出空间对应于特征空间的超平面模型也即支持向量机。在核函数给定的条件下，求解非线性分类问题的支持向量机可以直接通过求解线性分类问题来解决。这样的学习可以不需要显示定义特征空间和映射函数，完全可以在隐式的特征空间中进行。核函数虽然也是从低维到高维的转换运算，但核函数首先是在低维上进行计算的，从而能够简化在映射空间的内积运算，而且避开了在高维空间中的计算，避免了维度爆炸。常用的核函数有以下四种：(1)多项式核函数(2)高斯核函数(3)字符串核函数(4)线性核函数在实际应用中，常常依赖特定领域的专业知识来选择核函数，然后再通过实验验证有效性。第四章 支持向量机对高速刀具磨损状态监测分类的软件实现第四章 支持向量机对高速刀具磨损状态监测分类的软件实现4.1 libsvm概述LIBSVM是2001年由台湾大学林智仁教授等人开发设计软件包，它是一种快速有效的实用的SVM模式识别与回归的软件包，该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能。该软件可以解决许多多类模式识别问题。SVM应用于回归分析和模式识别时，对于SVM和核函数中参数的选择上，国际上目前还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。目前，LIBSVM拥有Java、C、Matlab、C#、R、Python、Perl、Labview、Common LISP等数十种语言版本。最常使用的是Matlab、C、Java等版本。本文中使用的就是matlab版本的。4.2 matlab概述MATLAB既是一种直观、高效的计算机语言,同时又是一个科学计算平台。根据它提供的500多个数学和工程函数，工程技术人员和科学工作者可以在它的集成环境中交互或编程以完成各自的计算。MATLAB包括应用程序开发工具、工具箱、数据存取工具、学生产品、状态流图、模块集、代码生成工具等。总的来说，该软件有三大特点：一是功能强大。具有数值计算和符号计算、计算结果和编程可视化、数学和文字统一处理、离线和在线计算等功能；二是界面友善、语言自然；三是开放性强。MATLAB作为线性系统的一种分析和仿真工具，是理工科的大学生应该掌握的技术工具，它作为一种编程语言和可视化工具，可解决工程、科学计算和数学学科中许多问题。MATLAB建立在向量、数组和矩阵的基础上，使用方便，人机界面直观，输出结果可视化。其中，矩阵是MATLAB的核心。本文通过支持向量机的方法对数据进行二分类，使用matlab软件实现是最优的选择。4.3 matlab中libsvm的使用4.3.1训练libsvm函数用于对训练集的数据进行训练，得到训练好的模型。model = libsvmtrain(training_label_vector, training_instance_matrix libsvm_options);这个函数有三个参数，其中training_label_vector:训练样本的类标，如果有m个样本，就是m x 1的矩阵。这里可以是二分类，类标是（-1,1）或者其他任意用来表示不同的类别的数字，要转成double类型。training_instance_matrix:训练样本的特征，如果有m个样本，每个样本特征是n维，则为m x n的double类型的矩阵。libsvm_options是训练的参数。4.3.2预测libpredict函数主要用于对测试集的数据进行测试，还能对未知样本进行预测。predicted_label,accuracy,decision_values/prob_estimates=libsvmpredict(testing_label_vector, testing_instance_matrix, model , libsvm_options);这个函数包括四个参数，其中testing_label_vector:测试样本的类标；esting_instance_matrix:测试样本的特征；model是使用libsvmtrain返回的模型；libsvm_options是预测的参数，与训练的参数形式一样。4.3.3训练的参数LIBSVM训练时可以选择的参数包括：s svm类型：SVM设置类型（默认0）0C-SVC；1v-SVC；2一类SVM；3e-SVR；4v-SVR。t 核函数类型：核函数设置类型（默认2）0线性核函数：uv；1多项式核函数：（r*uv+coef0)degree；2RBF(径向基)核函数：exp(-r|u-v|2）3sigmoid核函数：tanh(r*uv+coef0)；d degree：核函数中的degree设置（针对多项式核函数）（默认3）g r(gamma）：核函数中的gamma函数设置（针对多项式/rbf/sigmoid核函数）（默认1/k，k为总类别数)r coef0：核函数中的coef0设置（针对多项式/sigmoid核函数）（默认0)c cost：设置C-SVC，e-SVR和v-SVR的参数（损失函数）（默认1）n nu：设置v-SVC，一类SVM和v-SVR的参数（默认0.5）p p：设置e-SVR中损失函数p的值（默认0.1）m cachesize：设置cache内存大小，以MB为单位（默认40）e eps：设置允许的终止判据（默认0.001）h shrinking：是否使用启发式，0或1（默认1）wi weight：设置第几类的参数C为weight*C(C-SVC中的C)（默认1）v n:n-fold交互检验模式，n为fold的个数，必须大于等于2以上参数的设置可以任意组合，如果参数设置不正确，参数将采用默认值。4.3.4训练返回的内容libsvmtrain函数返回训练好的SVM分类器模型，可以用来对未知的样本进行预测。这个模型是一个结构体，包含以下成员：Parameters:一个5x1的矩阵，从上到下依次表示：s：SVM类型（默认0）；t：核函数类型（默认2）；d：核函数中的degree设置(针对多项式核函数)(默认3)；g：核函数中的r(gamma）函数设置(针对多项式/rbf/sigmoid核函数) (默认类别数目的倒数)；r：核函数中的coef0设置(针对多项式/sigmoid核函数)(默认0)； nr_class:表示数据集中有多少类别，比如二分类时这个值即为2；totalSV:表示支持向量的总数；rho:决策函数wx+b中的常数项的相反数（-b）；Label:表示数据集中类别的标签；ProbA:使用-b参数时用于概率估计的数值，否则为空；ProbB:使用-b参数时用于概率估计的数值，否则为空；nSV:表示每类样本的支持向量的数目，与Label的类别标签对应；sv_coef:表示每个支持向量在决策函数中的系数；SVs:表示所有的支持向量，如果特征是n维的，支持向量一共有m个，则为m*n的稀疏矩阵。4.3.5预测返回的内容libsvmtrain函数有三个返回值，不需要的值在Matlab可以用进行代替。predicted_label：第一个返回值，表示样本的预测类标号。accuracy：第二个返回值，一个3x1的数组，表示分类的正确率、回归的均方根误差、回归的平方相关系数。decision_values/prob_estimates：第三个返回值，一个矩阵包含决策的值或者概率估计。对于n个预测样本、k类的问题，如果指定“-b1”参数，则nxk的矩阵，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b 1”参数，则为nxk*(k-1)/2的矩阵，每一行表示k(k-1)/2个二分类SVM的预测结果。4.3.6读取或保存libsvmread函数可以读取以LIBSVM格式存储的数据文件。label_vector,instance_matrix=libsvmread(data.txt);这个函数输入的是文件的名字，输出为样本的类标和对应的特征。libsvmwrite函数可以把Matlab的矩阵存储称为LIBSVM格式的文件。libsvmwrite(data.txt, label_vector, instance_matrix这个函数有三个输入，分别为保存的文件名、样本的类标和对应的特征（必须为double类型的稀疏矩阵）。4.4 本文支持向量机二分类实验由于很难获取到大量的机床数据，故本文将基于libsvm的方法，使用matlab2012b构造一个二分类模型，为了验证这个模型的可靠性。将验证对图像进行分类。本实验采集了200幅图片，恐龙类和花朵类各100张。选择100张作为训练集数据，其中有50张恐龙的图片，50张花朵的图片。首先读取图像信息，将图像信息以矩阵形式存储到指定文件夹内，加载二类数据然后利用libsvm的原理构造训练集与测试集，先训练SVM分类器，进行尺度缩放。接下来将剩下的100幅图片投入测试，最终结果显示本实验构造的模型是合理的，最后的测试结果能达到100%的准确率。图像信息读取程序运行结果第五章 总结与展望第五章 总结与展望5.1 论文总结在工业领域，影响企业运作最重要的一环就是生产效率，生产效率往往由很多因素决定，生产设备起着至关重要的作用。特别是在机床领域，由于刀具与工件不可避免地存在着接触与摩擦，而在刀具高速运转的过程中磨损是不可避免的，刀具磨损到一定程度后果轻则影响产品质量，重则引起生产事故。而刀具高速运转停机开机成本高昂，所以常常使用间接测量法对与刀具磨损相关量进行检测，获取数据后经过分析得出刀具是否处于磨损状态。判断刀具是否磨损是一个非常典型的二分类问题，而SVM是在数据挖掘领域应用非常广的一种算法，对于小样本分类有非常好的效果。随着信息技术的发展，支持向量机算法也得到了迅速的发展。本课题研究的主要内容是：利用支持向量机的算法，对高速运转的刀具监测数据进行分类，判断刀具是否磨损。由于条件限制，直接获取大量的机床数据是相当困难的。所以本文主要是构造一个支持向量机的二分类模型，通过实验验证模型对于数据有良好的分类效果。那么可以利用此模型，对现有的机床数据进行分类。本文通过对现有机床磨损监测方法分析，选择了振动加速度间接测量法。在理论上对支持向量机原理进行分析，最后使用matlab实现SVM二分类的算法。5.2 展望支持向量机自90年代提出以来，随着信息技术的发展和支持向量机本身具有的优点，其理论和应用在横向和纵向都有了迅速的发展。目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择；支持向量机从两类问题向多类问题的推广；更多的应用领域的推广；与目前其它机器学习方法的融合；与数据预处理（样本的重要度，属性的重要度，特征选择等）方面方法的结合，将数据中脱离领域知识的信息，即数据本身的性质融入支持向量机的算法中从而产生新的算法；支持向量机训练算法的探索。但支持向量机算法仍然存在着不足：(1) SVM算法对大规模训练样本难以实施。(2) 如何确定核函数还没有合适的方法，一般都是依靠相关领域的专业知识和经验通过实验确定的，不具有一般性。致谢致谢选到这个课题之后，初步了解了一下题目顿时觉得十分迷茫不知如何下手。整个题目对我来说完全是一个没有接触过的全新领域。而软件方面一直是我的软肋，可以说拿到这个题目，我感到了很大的压力深恐不能完成任务。所以，这里首先要感谢导师张宇老师，张老师给我建议了进行课题研究的主体方向，并提供给我许多宝贵的参考资料，这让我的课题研究难度大大降低，让我得以完成课题，在此向张老师表示最衷心的感谢和敬意。衷心感谢帮助过我的同学们，还有一起做毕业设计的伙伴们。虽然大家对我研究的课题完全不了解，但在进行毕业设计的过程中碰到的一些问题，大家总是尽可能地给予我帮助，在大家一起学习的过程中，营造了良好和融洽的氛围。也要感谢我的叔叔，帮我找了许多SVM实际应用的例子，对我帮助很大。最后，感谢所有帮助和关心过我的人。没有大家的帮助我就无法顺利完成我的课题。参考文献参考文献1李航.统计学习方法M北京：清华大学出版社，2012.32（美）Nello Cristianini，（美）John Shawe-Taylor.支持向量机导论M李国正，王猛，曾华军.译.北京.电子工业出版社，2004.33陈高波.基于最小二乘支持向量机的刀具磨损预报建模J.武汉工业大学学报，2009,28（2）:112-118.4李正强.基于支持向量机的刀具磨损状态识别技术研究D.硕士学位论文，沈阳：沈阳航天航空大学，20115陈云.现代金属切削刀具实用技术M,北京：化学工业出版社，20086高琛.刀具磨损在线监测系统研究D.硕士学位论文，济南：山东大学，20087(USA)Carl Golda ,(UK) Peter Sollich.Model selection for support vector machine classicationJ .2003,55:221-2498王国峰，李启铭，秦旭达，喻秀，崔银虎，彭东彪.支持向量机在刀具磨损多状态监测中的应用J.天津大学学报，天津：0493-2137（2011）01-0035-059Huseyin Metin Ertunc,Cuneyt Oysu.Drill wear monitoring using cutting force signalsJ.Mechatronics,2014,14(5):533-54810肖健华.智能模式识别方法M.广州：华南理工大学出版社，200611Shi Dongfeng,Gindy N N.Tool wear predictive model based on least squares support vctor machinesJ.Mechanical Systems and Signal Processing,2007,21(4):1799-181412刘小斌.数控机床刀具磨损状态AR建模与研究J.机械研究与应用.2007,20（3）：33-3413叶蔚，王时龙，雷松.支持向量机刀具磨损预测模型及MATLAB仿真J.工具技术.2009,43(10):42-4514袁绩乾，李文贵.机械制造技术M.北京，机械工业出版社，2001:99-10315李娜.基于人工智能的刀具切削状态的监控研究D.硕士学位论文，兰州：兰州理工大学，200816张德丰.MATLAB神经网络仿真与应用M.北京：电子工业出版社，2009:168-174附录附 录本文的参考程序：附录一：图像信息提取function Create2ClassData()clc;close all;clear all;%说明：将当前目录下所有的子目录加为可搜索路径%files = dir(cd);for i=1:length(files) if files(i).isdir strcmp(files(i).name,.) = 0 strcmp(files(i).name,.) = 0 addpath(cd / files(i).name); endend%说明： 从二类图像，产生二类实验数据%图像所在目录ImgFilePath=Corel图像集; %第一类 数据 (正类)Num=1;for n=400:499 %共100个图像 f=num2str(n); f=ImgFilePath f .jpg; %合成图像文件名 Img=imread(f); %figure(1),imshow(Img) FeaBuff=ImgFea(Img); %以结构体的方式，将图像相关信息保存起来 PosDataSet(Num).Fea=FeaBuff; %变成了一行对应一个特征 PosDataSet(Num).id=1; %此类为正类 Num=Num+1; if (mod (n,10)=0) n endend%第2类 数据 (负类)Num=1;for n=600:699 %共100个图像 f=num2str(n); f=ImgFilePath f .jpg; %合成图像文件名 Img=imread(f); %figure(1),imshow(Img) FeaBuff=ImgFea(Img); %以结构体的方式，将图像相关信息保存起来 NagDataSet(Num).Fea=FeaBuff; %变成了一行对应一个特征 NagDataSet(Num).id=-1; %此类为负类 Num=Num+1; if (mod (n,1