(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110752786.2 (22)申请日 2021.07.0 3 (65)同一申请的已公布的文献号 申请公布号 CN 113268936 A (43)申请公布日 2021.08.17 (73)专利权人 石河子大 学 地址 832003 新疆维吾尔自治区石河子市 北四路石河子大学北区机械电气工程 学院 (72)发明人 赵永满　潘荣顺　余佳昊　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/12(2006.01) G06N 20/00(2019.01) G06F 111/06(2020.01) G06F 111/08(2020.01) (56)对比文件 CN 110582091 A,2019.12.17CN 112418538 A,2021.02.26 CN 109523 086 A,2019.0 3.26 CN 110288199 A,2019.09.27 CN 106845796 A,2017.0 6.13 JP 20171619 91 A,2017.09.14 CN 110456756 A,2019.1 1.15 伍薪烨.复杂装备装配质量多特 征决策与 作 业优化调度方法研究. 《cn ki优秀硕士学位 论文 全文库 工程科技 Ⅰ辑》 .2020, 乔佩蕊.基 于改进LAS SO-RF的复杂产品质量 预测研究. 《cn ki优秀硕士学位 论文全文库 经济 与管理科 学辑》 .2019, Qiao Shi等.The Ap plication of Tobac co Product Qual ity Predicti on Using Ensemble Learning Method. 《2019 IE EE 4th Advanced Informati on Technology, Electro nic and Automati on Control Conference (IAEAC)》 .2020, 审查员 彭凤鸣 (54)发明名称 一种基于多目标进化随机森林特征选择的 关键质量特性识别方法 (57)摘要 本发明公开了一种基于多目标进化随机森 林特征选择的关键特征识别方法， 步骤如下： 先 通过车间数字化检测来获取生产过程中的多元 质量特性数据信息， 形成产品质量特性数据集； 再利用Relief  F算法对参与分类的质量特性进 行初选， 将初选后的数据集划分为两部分： 产品 质量特性训练数据集与产品质量特性测试数据 集； 然后将训练数据集输入多目标优化随机森 林 特征选择算法， 得到关键质量特性集； 最后利用 测试数据集对 得到的关键质量特性集进行验证。 本发明考虑了多元质量特性对产品最终质量的 复杂影响， 准确分析产品中关键质量特性， 为关 键质量特性识别提供借鉴， 为质量控制提供支撑， 提高对产品质量预测能力。 权利要求书2页 说明书6页 附图4页 CN 113268936 B 2022.07.19 CN 113268936 B 1.一种基于多目标进化随机森林特征选择的关键质量特性识别方法， 其特征在于， 包 括以下步骤： 步骤1： 通过车间数字化检测来获取生产过程中的多元质量特性数据信息， 包 含若干过程参数、 产品尺寸参数和产品等级分类质量特性， 这些质量特性是影响产品整体 质量水平的重要因素， 从而形成产品质量特性数据集； 步骤2： 利用Relief  F算法对参与分 类的质量特性进行初选， 得出质量特性的算法权重， 剔除类间距离小于类内距离的质量特 性， 将初选后的数据集划分为两部分： 产品质量特性训练数据集与产品质量特性测试数据 集； 步骤3： 将训练数据集输入多目标进化 随机森林特征选择算法， 建立多个相对应算法目 标， 生成初始种群， 设置迭代种群代数， 得到优势关键质量特性集，  步骤3将训练数据集分 为内部训练集和内部测试集， 内部训练集用于训练随机森林模型分类器， 内部测试集用来 评估算法生成的被选择的质量特性集合 s的部分目标函数值，  然后输入多目标进化随机森 林特征选择算法， 建立多个相对应算法目标， 生成初始种群， 设置迭代种群代数， 得到优势 关键质量特性集， 其中多目标进化 随机森林特征选择算法流程由两部分组成， 一是多目标 进化算法， 选取NSGA Ⅱ算法， 利用Matlab软件实现； 二是随机森 林分类器， 利用Python实现， 整体算法实现过程由Matlab和Python交互实现，  算法具体步骤如下： 3 ‑1： 初始化种群， 随 机产生种群Pt， Pt中每个个体都是一些被选择的质量特性的集合 s, Pt=(s1,s2,s3,s4,s5,…, sn), n为种群中个体数量， 种群中 的个体基 因编码方 式采用二进制编码方法， 令解 s的编码 为C， 则C=(c1,c2,c3,c4,c5,…,cN)为1×N的向量；N为总质量特性数量， 每个元素 ci∈{0,1} (i=1,2,3,…,n)代表第i个特征有没有被选择， 若是为 ‘1’则被选择， 为 ‘0’则没被选择，  每 个编码对应一个解， 也就是一个质量特性子集， 3 ‑2： 对种群Pt进行遗传、 交叉和变异得到种 群Pt， 3‑2具体步骤如下： 3 ‑2‑1： 其种群中遗传方式为二进制锦标赛选择， 每次从父代群体 中选择两个个体， 对比两个个体 （使用拥挤对比算子） ， 更优者加入子代群体； 3 ‑2‑2： 种群中 个体之间的交叉方法选用单点交叉方法， 个体 C1=(c11,c12,c13,c14,c15,…,c1N)，C2=(c21,c22, c23,c24,c25,…,c2N)以交叉概率 pc进行交叉操作生成两个新个体： C1=(c11,c12,c13,…,c1e‑1, c2e…,c2N)，C2=(c21,c22,c23,…,c2e‑1,c1e…,c1N)； 3‑2‑3： 种群中个体的变异方式选用多点变 异方法， 个体 C=(c1,c2,c3,c4,c5,…,cN)每个基因以变异概率 pm进行变异操作生成新个体： 若原位为‘0’则变异为‘1’， 原位为‘1’， 则变异为 ‘0’； 3‑3： 利用算法设置的目标函数对种群 Rt=Pt +Pt’每个个体计 算适应度函数值， 其算法目标由实际生产要求设置， 包括但不限于 Min  F(s)={f1(s),f2(s),f3(s)}，f1 为分类错误率, f2为Relief  F算法下s的权重和的倒数, f3为 质量特性子集大小， 对每个个体进行适应度评价， 每个个体都会获得目标值{ f1(s),f2(s), f3(s)}， 3‑3具体步骤为： 3 ‑3‑1： 将R中每个个体解码为对应的质量特性集合； 3 ‑3‑2： 解码后 对应的质量特性集合， 质量特性的数量为适应度函数 f3(s)的值； 3‑3‑3： 解码后对应的质量 特性集合， 对应Relief  F算法下s的权重和的倒数为函数 f2(s)的值； 3‑3‑4： 抽取内部训练 集相对应的质量特性数据集分别对随机森林分类器进行训练； 3 ‑3‑5： 抽取内部测试集相对 应的质量特性数据集分别对训 练后的随机森林分类器验证预测精度， 得出适应度函数 f1 (s)的值； 3‑4： 利用快速非支配排序方法对 Rt每个个体进行非支配等级排序， 种群中个体的 非支配排序依据为： 对于最小化多目标优化问题， 对于 n个目标分量 fi(s),(i=1,2,…,n)， 任意给定两个决策变量 Xa ,Xb， 如果有以下两个条件 成立， 则称 Xa支配Xb： 1， 对于任意 i∈1, 2,…,n， 都有fi(Xa)≤fi(Xb)成立； 2， 存在 i∈1,2,…,n， 使得fi(Xa)≤fi(Xb)成立， 如果对于 一个决策变量， 不存在其他决策变量能够支配他， 那么就称该决策变量为 非支配解， 在一组权　利　要　求　书 1/2 页 2 CN 113268936 B 2解中， 非支配解Pareto等级定义为1， 将非支配解从解的集合中删除， 剩下解的Pareto等级 定义为2， 依次类推， 可以得到该解集合中所有解的Pareto等级， 3 ‑5： 选择当前非支配等级 最小的个体入选种群Pt+1， 直至Pt+1种群无法容纳下一等级为止， 3 ‑6： 利用拥挤距离分配方 法对下一非支配等级个体进行拥挤距离排序， 具体方法为： 拥挤度表示在种群中给定点的 周围个体的密度， 用 id表示， 直观上用个体 i周围包含个体 i但不包含其余个体 的最大长方 形的长来表示， 3 ‑7： 选择拥挤距离最大的个体入选种群Pt+1， 直至补全种群Pt+1， 3‑8： 重复 步骤3‑2至3‑7， 直到达到算法终止条件， 输出算法终止后的种群个体， 解码后就是识别出的 关键质量特性 集合， 步骤4： 利用测试 数据集对得到的关键质量特性 集进行验证和评估。 2.根据权利要求1所述的一种基于多目标进化随机森林特征选择的关键质量特性识别 方法， 其特征在于： 步骤1中所述产品质量特性数据集是指对同一研究对象 （产品） 而言， 具 有一定数量的质量特性 （特征属性） 、 一定数量的样 本 （抽检产品） 和每个样本 （抽检产品） 明 确分类的数据集。 3. 如权利要求1所述的一种基于多目标进化随机森林特征选择的关键质量特性识别 方法，