最小二乘支持向量機握釘力預測研究.pdf

1、微米木纖維模壓加工過程是一個高度復雜的過程，具有非線性、時滯、高維等特性。模壓產(chǎn)品具有較高的密度，可以用于裝飾裝潢，具有較高的應用價值。握釘力是衡量材料力學物理性能的一個重要指標，當材料使用螺釘相連接時，握釘力大小就顯的尤其重要。因此，對模壓產(chǎn)品的握釘力進行預測成為微米木纖維模壓加工研究的重要課題。本文以模壓的汽車換擋桿手柄為對象，將機器學習引入到模壓產(chǎn)品的握釘力預測上，通過機器學習方法找到一種有效的預測方法。
　　本文首先對模壓

2、加工過程進行了介紹，為預測模型的輸入特征向量選擇和預測模型的建立提供了依據(jù)。接下來研究了目前在預測領域應用廣泛的BP神經(jīng)網(wǎng)絡，用BP神經(jīng)網(wǎng)絡建立了握釘力預測模型。通過實驗，發(fā)現(xiàn)這種方法雖然預測精度較高，但是存在著模型結構不易確定、過學習、用梯度下降法易陷入局部極值等問題。統(tǒng)計學習理論具有堅實的理論基礎，為解決小樣本學習問題提供了統(tǒng)一的框架。支持向量機是一種基于統(tǒng)計學習理論的機器學習方法，它解決了神經(jīng)網(wǎng)絡中存在的一系列問題。與BP神經(jīng)網(wǎng)絡

3、相比，支持向量機具有更好的魯棒性和更高的預測精度，是一種有效的機器學習方法。本文用最小二乘支持向量機建立握釘力預測模型，并針對支持向量機參數(shù)不易確定的問題，研究了用粒子群優(yōu)化算法來優(yōu)化支持向量機的參數(shù)的方法，以實現(xiàn)參數(shù)的自動選擇。
　　文章提出了粒子群優(yōu)化算法優(yōu)化參數(shù)的最小二乘支持向量機回歸預測模型，并將其用于握釘力預測。實驗證明，粒子群優(yōu)化算法可以自動的搜索支持向量機的最優(yōu)參數(shù)，通過優(yōu)化的最小二乘支持向量機預測模型，比基于BP神