怎么自建网站网络营销证书有什么用

怎么自建网站,网络营销证书有什么用,wordpress主题dedecms,南京做网站建设的公司排名基于支持向量机(SVM)代理模型的#xff0c;电机多目标优化。 平均转剧#xff0c;转剧脉动#xff0c;迳向推力三个优化目标的R2都在0.99往上#xff0c;具有较高的精度。 优化算法采用的是多目标粒子群算法#xff0c;PSO。 优化软件#xff1a;Matlab最近在搞电机优化项…基于支持向量机(SVM)代理模型的电机多目标优化。 平均转剧转剧脉动迳向推力三个优化目标的R2都在0.99往上具有较高的精度。 优化算法采用的是多目标粒子群算法PSO。 优化软件Matlab最近在搞电机优化项目的时候遇到个头疼的问题——每次跑电磁场仿真都要等半小时这谁顶得住啊索性整了个支持向量机代理模型来加速优化流程。实测下来效果挺能打三个优化目标的预测精度R²全部冲到0.99以上关键代码我直接贴出来给大伙瞅瞅。先说说数据准备这关。我们实验室那台工控机存了三年多的电机仿真数据直接拿pandas做特征工程import pandas as pd from sklearn.preprocessing import StandardScaler raw_data pd.read_csv(motor_sim_records.csv) features raw_data[[slot_height, pole_arc, magnet_thick]] targets raw_data[[avg_torque, torque_ripple, radial_force]] scaler StandardScaler() X_scaled scaler.fit_transform(features) y_scaled scaler.fit_transform(targets)这里有个小技巧三个目标变量最好分开训练代理模型。因为转矩脉动和径向推力这两个目标的数据分布差异太大混着训练容易互相干扰。用sklearn的SVR组件搭模型架子from sklearn.svm import SVR from sklearn.model_selection import GridSearchCV # 三个目标分别建模型 torque_model SVR(kernelrbf) ripple_model SVR(kernelrbf) force_model SVR(kernelrbf) # 参数网格搜索偷个懒 params {C: [0.1, 1, 10], epsilon: [0.01, 0.1]} grid_search GridSearchCV(torque_model, params, cv5) grid_search.fit(X_scaled, y_scaled[:,0]) print(f最佳参数:{grid_search.best_params_}) # 输出结果一般是C10,epsilon0.01跑完交叉验证发现高斯核的SVR对电磁参数拟合效果贼好三个目标的R²分数都在0.991到0.997之间晃悠。这里要注意epsilon参数别设太大否则会漏掉转矩曲线的突变点。代理模型搞定后上多目标粒子群算法来搜索帕累托解集。Matlab的优化工具箱里其实有现成的particleswarm函数不过咱们自己写个简化版更灵活# 简化的MOPSO核心逻辑 particles init_swarm() for _ in range(max_iter): for particle in particles: # 同时计算三个目标函数值 obj1 torque_model.predict(particle.position) obj2 ripple_model.predict(particle.position) obj3 force_model.predict(particle.position) # 更新个体最优(非支配解优先) if is_non_dominated([obj1,obj2,obj3], particle.best_obj): particle.update_best() # 自适应惯性权重 w 0.9 - 0.5*(current_iter/max_iter) # 更新全局引导粒子这里用了拥挤度排序 leaders select_leaders(particles) update_velocity(particles, leaders, w)实际跑的时候出现了粒子扎堆的现象后来在适应度函数里加了转矩脉动的惩罚项才把解集撑开。最终的帕累托前沿长这样从优化结果里挑了个平衡方案——保持平均转矩在23.5N·m以上的同时把转矩脉动压到1.8%以内。拿这个参数重新跑了一遍有限元仿真验证误差不超过0.3%这波代理模型算是立大功了。踩过的坑得提一嘴刚开始用全连接神经网络做代理模型结果训练数据不够喂过拟合到亲妈都不认识。后来切到SVM发现对小样本数据真香特别是用上网格搜索自动调参后省了至少两周的调参时间。不过SVM的预测速度在迭代优化时还是有点吃硬件下次可能试试高斯过程回归对比下效果。