基于协同训练SVR的脆性材料亚表面微裂纹深度预测

TG58%TG732; 为克服固结磨料研磨脆性材料的亚表面微裂纹深度有效样本数不足的困境,实现其准确预测,采用协同训练SVR构建预测模型,对比不同标记训练集划分方法对测试集均方误差的影响;后以监督学习PSO-SVR模型为对照,比较二者的预测性能;最后以标记训练集未包含的脆性材料微晶玻璃和氟化钙为加工对象,进行工件的研磨及角度抛光法裂纹深度检测实验,并将检测的4组亚表面微裂纹深度值与协同训练SVR模型的预测值对比.结果表明:分开划分法下的协同训练SVR模型具有更小的均方误差;相比于PSO-SVR模型,协同训练SVR模型的均方误差和平均绝对百分比误差分别减小9％和17％,且其对4组验证实验的预测误...

Celý popis

Podrobná bibliografie

Vydáno v:	金刚石与磨料磨具工程 Ročník 43; číslo 6; s. 704 - 711
Hlavní autoři:	任闯, 盛鑫, 牛凤丽, 朱永伟
Médium:	Journal Article
Jazyk:	čínština
Vydáno:	南京航空航天大学机电学院,南京 210016 01.12.2023
Témata:	亚表面损伤 支持向量回归 小样本 脆性材料 粒子群优化支持向量回归 协同训练 co-training brittle material support vector regression(SVR) small sample subsurface damage particle swarm optimization support vector regression(PSO-SVR)
ISSN:	1006-852X
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!