买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宝鸡文理学院

摘要：本发明公开了一种基于信息熵和PSO‑Kmeans算法对典型工艺路线的发现方法，主要包括信息熵的序列相似度分析和PSO‑Kmeans聚类算法的计算处理。该方法首先从多个层级对工艺路线间的相似度进行全面评判；然后建立了基于谱聚类思想和PSO‑Kmeans算法的工艺路线智能聚类模型，并进一步提取得到了各类簇中的典型工艺路线。该方法可以为工艺过程实例的相似性检索与重用提供更好的支持。

主权项：1.一种基于信息熵和PSO-Kmeans算法对典型工艺路线的发现方法，其特征在于，包括信息熵的序列相似度分析和PSO-Kmeans聚类算法的计算处理步骤：1信息熵的序列相似度分析S1、多级最长公共子序列LCS的获取；S2、基于LCS信息熵的序列相似度评价；S3、融合多级LCS信息熵的序列相似性度量；2PSO-Kmeans聚类算法的计算处理S4、基于谱聚类思想的聚类对象预处理；S5、基于PSO-Kmeans算法的工艺路线聚类模型；S6、典型工艺路线的发掘；在步骤S1中，所述多级最长公共子序列LCS的获取方法如下：将每种工序加工方法抽象表示成一种字符，即将机加工艺路线看作是一个符号序列，从待比较的两个符号序列中提取多级最长公共子序列，LCS的定义如下：若某个序列S＝{s1,s2,…,sr}同时是两条待比较序列M＝{m1,m2,…,mu}、N＝{n1,n2,…,nv}的子序列，即满足式1；当且仅当序列S的长度r取最大值时，则称S为M、N的LCS； 上述提取得到的是单级LCS，在提取S的过程中，如果将S中每一个元素在M和N中的位置信息进行记录，并对M和N中这些位置上的元素进行剔除，就会形成两个新序列M'和N'，对M'和N'继续提取LCS，可得到第2级最长公共子序列S'，依次类推，直到新形成两序列不含有任何相同元素或至少一个为空，可得到多级LCS；在步骤S2中，基于LCS信息熵的序列相似度评价方法如下：用LCS的信息熵来评价待比较序列间的相似度，对于待比较序列M、N及其最长公共子序列S，构建如式2所示的平均相似信息量评价函数：Hu,v,r＝Pu,v,rIu,v,r2式中，Hu,v,r表示平均相似信息量评价函数，其是一个关于原序列长度和最长公共子序列长度的函数，当S的长度r越大且越接近于原序列长度u和v时，传递出的相似信息量就越大，代表M和N间的相似度就越高；Iu,v,r是计算信息熵时的相似信息量函数，可通过式3进行计算；Pu,v,r是计算信息熵时的概率函数，可通过式4进行计算： 通过式3和4衡量M和N间的相似程度；在步骤S3中，融合多级LCS信息熵的序列相似性度量的方法如下：对待比较序列M和N，提取它们的多级LCS并组成集合：{Sii＝1,2,…,k}其中，Si表示第i级LCS；l表示最大级数，融合多级LCS信息熵的序列相似性评价模型见式5： 式中，simM,N表示融合多级LCS信息熵的序列M和N的相似性评价结果；ri表示第i级LCS的长度，即序列Si的长度；对熵进行标准化处理，得到最终基于熵的相似性度量值如式6所示： 式中，SimM,N表示序列M和N的最终相似性度量值；在步骤S4中，应用谱聚类思想对机加工艺路线进行预处理的步骤如下：S41、将聚类对象看作是无向权重图的节点，两节点间的连接边权为二者根据信息熵方法计算得到的相似度，这样就能形成一个相似度矩阵Wn×n，其中，n表示聚类对象的数量；Wi,j表示第i条工艺路线与第j条工艺路线根据式6计算得到的相似度；S42、按照式7所示，构建对角度矩阵Dn×n： S43、计算拉普拉斯矩阵，见式8，并进行正交化，见式9：L＝D-W8 S44、计算矩阵L'的特征值和特征向量，并将特征值按照由小向大的顺序进行排列，取前k1个特征值对应的特征向量排列成矩阵Z中每一行都是一个k1维向量，它与图节点是一一对应的关系，将聚类对象转变成了向量表达形式；在步骤S5中，基于PSO-Kmeans算法的工艺路线聚类模型构建方法如下：S51、PSO算法基本设定在PSO-Kmeans聚类算法中，每个粒子的位置包含k2个聚类中心，再考虑到聚类对象已经被转变成为一个k1维向量，所以粒子位置用k2×k1维的矩阵进行表示，第i个粒子的位置Xi可以表示成如下形式： 式中，Xidd＝1,2,…,k2表示第i个粒子包含的第d个聚类中心的坐标，它与聚类样本的维度相同，是一个k1维向量；按照PSO算法进行如下定义：第i个粒子的运动速度为Vi，其经历过的最好位置索引为Pi，所有粒子经历过的最好位置索引为Pg，Vi、Pi、Pg与Xi在数据结构与表达形式上是一致的；对粒子经历过最好位置的索引，需要依据适应度函数进行判定，以第i个粒子的当前状态为例，其适应度可通过式11进行计算： 式中，Fi表示Xi的当前适应度值，值越小代表适应度越高；U是一个n×k2维的矩阵，如果在当前聚类划分下，第p个聚类样本属于第d个类簇，则Up,d＝1，反之则为0；Zp表示矩阵Z的第p行，是第p个聚类样本的特征向量；CJd表示在当前聚类划分下，第d个类簇的理想中心位置，它等于第d个类簇所属样本的均值；在此基础上，可构造每一代粒子的更新关系如式12所示： 式中，Pid和Pgd分别表示Pi和Pg中第d个聚类中心的坐标；Vid和V′id分别表示更新前、后的第i个粒子第d个聚类中心的运动速度；Xid和X′id分别表示更新前、后的第i个粒子第d个聚类中心的坐标；c1和c2分别表示加速常数；rand1和rand2分别表示两个在[0,1]范围内变化的随机函数；Gen和t分别表示PSO算法的最大循环代数以及当前更新到的代数；w、wmax和wmin分别表示当前惯性权重、设定的最大惯性权重和最小惯性权重，w值较大时利于全局搜索，较小时利于局部搜索，这里设定惯性权重采用线性递减策略；S52、PSO-Kmeans算法的运行；在步骤S6中，典型工艺路线的发掘方法如下：某聚类簇cluster中任一工艺路线M对该簇的平均相似度计算公式为： 式中，ASimM表示M相对于簇cluster中其他元素的平均相似度值，M包含于cluster中；cluster表示簇cluster中的元素个数；当簇cluster中所有元素的平均相似度值都计算完毕后，取其中最大值所对应的工艺路线为典型工艺路线。

全文数据：

权利要求：

百度查询： 宝鸡文理学院 一种基于信息熵和PSO-Kmeans算法对典型工艺路线的发现方法