改进MDSMOTE与PSO-SVM在汽车组合仪表分类预测中的应用
汽车组合仪表生产过程中质检项目多且检测时间长，这在一定程度上制约了其生产效率的进一步提升。为此，提出一种基于改进最远点合成少数类过采样技术（max distance synthetic minority over-sampling technique，MDSMOTE）的支持向量机（support vector machine， SVM）分类预测方法。首先，结合专家经验对汽车组合仪表的原始生产数据进行特征筛选，并在MDSMOTE中引入类不平衡率IR，以对所筛选的特征数据进行扩充；然后，利用粒子群优化（particle swarm optimization， PSO）算法对SVM的误差惩罚因子C和核函数参数γ进行优化；最后，建立优化的SVM分类预测模型，并对汽车组合仪表进行分类。通过与其他分类预测模型在不同数据集上的预测结果进行对比可知，基于改进MDSMOTE的SVM分类预测模型的准确率、F值和几何平均值等评价指标均优于其他模型。所提出方法在汽车仪表产品分类上表现出较强的泛化能力和稳定性，可为仪表制造企业生产效率的提升提供有效参考。
