基于GBDT特征提取与Tent-ASO-BP网络的铣刀磨损量预测

TG71%TH117; 为了提高机械加工过程中小样本刀具磨损量监测的准确性,提出一种基于Pearson+GBDT特征提取、Tent混沌映射和原子搜索算法(ASO)优化BP神经网络(Tent-ASO-BP)的刀具磨损量预测模型.针对BP神经网络特征选择及参数选择难题,提出了基于Pearson+GBDT的双层过滤式特征筛选方式求取网络输入特征,并使用Tent混沌映射改进原子搜索算法(ASO)对BP神经网络最优权值和阈值进行求解.通过实验证明:Tent混沌映射改善了 ASO,避免ASO陷入局部极值和过早收敛,即通过交叉验证证明Tent-ASO优化BP神经网络训练模型精度较ASO高.同时,验证了梯度提...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 4; pp. 1296 - 1308
Main Authors 谭金铃, 赵春华, 林彰稳, 罗顺, 李谦
Format Journal Article
LanguageChinese
Published 三峡大学创新创业学院,湖北 宜昌 443002%三峡大学创新创业学院,湖北 宜昌 443002 01.04.2024
三峡大学机械与动力学院,湖北 宜昌 443002%三峡大学机械与动力学院,湖北 宜昌 443002
三峡大学水电机械设备设计与维护湖北省重点实验室,湖北 宜昌 443002
Subjects
刀具磨损量
Pearson相关系数
tent—atom search algorithm—back propagation neural network
tool wear
梯度提升决策树
Tent-ASO-BP网络
gradient boosting decision tree
Pearson correlation coefficient
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.0594

Cover

More Information
Summary:TG71%TH117; 为了提高机械加工过程中小样本刀具磨损量监测的准确性,提出一种基于Pearson+GBDT特征提取、Tent混沌映射和原子搜索算法(ASO)优化BP神经网络(Tent-ASO-BP)的刀具磨损量预测模型.针对BP神经网络特征选择及参数选择难题,提出了基于Pearson+GBDT的双层过滤式特征筛选方式求取网络输入特征,并使用Tent混沌映射改进原子搜索算法(ASO)对BP神经网络最优权值和阈值进行求解.通过实验证明:Tent混沌映射改善了 ASO,避免ASO陷入局部极值和过早收敛,即通过交叉验证证明Tent-ASO优化BP神经网络训练模型精度较ASO高.同时,验证了梯度提升决策树(GBDT)能够筛选出用于刀具磨损值映射的一组特征,且特征筛选能力强于同类算法LightGBM、Catboost、决策树、随机森林.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.0594