基于汽车耐撞性的并行支持向量机近似模型优化方法

摘要

一种基于汽车耐撞性的并行支持向量机近似模型优化方法，其步骤为：（1）建立网络；（2）生成初始样本并自动转移到网格节点；（3）将初始样本分配到各个计算节点；（4）随机生成样本点；（5）建立基于SVM的近似模型；（6）获取SVM近似模型的误差标准，判断是否达到收敛水平；如果是，则采用所有生成的节点构建全局的SVM模型；（7）判断全局的SVM模型是否收敛；如果收敛，则进程结束，反正，则跳转步骤（8）；（8）找到最大误差区；（9）将误差区信息求和，在求和后的区域内随机生成样本，并平均分配到各个计算节点，并跳转至步骤（4），直至进程结束。本发明采用对SVM进行并行化处理的模式、可大幅度提升建模的速度和优化的效率、提高精度。

主权项

一种基于汽车耐撞性的并行支持向量机近似模型优化方法，其特征在于，步骤为：（1）根据设计空间建立稀疏网络，初始样本点位于网络节点；（2）通过超级拉丁方实验设计方法生成初始样本，样本自动转移到网格节点；（3）将生成的初始样本分配到各个计算节点；（4）在各个计算节点上用蒙特卡洛方法随机生成样本点；（5）根据当前计算节点内生成的样本，在各个计算节点上分别建立基于SVM的近似模型；（6）获取各个计算节点上分别构建的SVM近似模型的误差标准，判断是否达到收敛水平；如果在该计算节点达到收敛水平，则初步设定该区域的样本区间，进行存储，将步骤（4）在各个计算节点内用于构造近似模型的样本传至主进程，采用所有生成的节点构建全局的SVM模型；（7）判断全局的SVM模型是否收敛；如果收敛，则进程结束，反之，则跳转至步骤（8）；（8）对于针对各个不收敛的SVM模型所在的区域，则根据误差的大小，初步并找到最大误差区；比较收敛SVM模型所在的区域，搜寻其非重合区域，确定最大误差区域；（9）将各个区间获取的误差区信息发到主进程并求和，在求和后的区域内随机生成样本，并平均分配到各个计算节点，并跳转至步骤（4），直至进程结束。