买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中科技大学

摘要：本发明公开一种基于小样本实验数据集和域适应极限学习机的切削力建模方法，涉及机械加工领域，将域适应极限学习机算法引入到小样本条件下的切削力建模过程中，解决切削力建模过程中遇到的大样本切削力实验数据集获取成本高、难度大，而在小样本条件下建立的切削力预测神经网络模型又会出现过拟合、泛化能力不强等问题，建立小样本条件下切削力精确预测模型。本发明的有益效果：本发明提供了一种利用域适应极限学习机算法建立切削力精确预测模型的方法，解决了在小样本条件下建立的切削力预测神经网络模型出现的过拟合、泛化能力不强等问题，具有巨大的应用价值和推广价值。

主权项：1.一种基于小样本实验数据集和域适应极限学习机的切削力建模方法，其特征在于，包括以下具体步骤：步骤S1、获取源域数据集：将利用已有模型如金属切削过程解析模型、数值仿真模型、经验模型计算得到的大样本切削力理论数据集作为源域数据集，其中为切削参数向量，即神经网络的输入数据；为与对应的切削力向量，即神经网络的输出数据，标签；步骤S2、获取目标域数据集：将通过金属切削实验获取的小样本切削力实验数据集作为目标域数据集；需要说明的是，由少量带标签的数据和大量不带标签的数据组成，且5≤m＜n＜N；步骤S3、创建单隐藏层前馈神经网络：将神经网络输入层神经元的个数设置为切削参数的个数，输出层神经元的个数设置为切削力的个数，隐藏层神经元的个数L需要根据实际情况设置；步骤S4、随机初始化神经网络输入层到隐藏层的权重W和偏置B；步骤S5、按照域适应极限学习机算法的要求，构建源域目标函数； 式中，αB为待求解的源域输出权重；Hs＝fTWXs+B，C为惩罚系数；步骤S6、求解源域输出权重αB，即 步骤S7、利用源域输出权重αB生成中不带标签的数据的“伪标签”，即YTU＝HTUαB＝fTWXTU+BαB式中，步骤S8、按照域适应极限学习机算法的要求，构建目标域目标函数，即 式中，αT为待求解的目标域输出权重；HTL＝fTWXTL+B，CTL和CTU为惩罚系数；步骤S9、求解目标域输出权重αT。对目标域目标函数求关于αT的偏导数，并令其等于0，得 求解该矩阵方程，即可得到目标域输出权重αT为 式中， 步骤S10、利用求出的输出权重αT，建立基于域适应极限学习机的切削力预测模型Ypre＝HpreαT式中，Hpre＝fTWXpre+B。步骤S11、若已经建立的切削力预测模型预测误差不满足要求，则增加目标域数据集的样本容量m，重复步骤S1-S10，建立新的切削力预测模型。

全文数据：

权利要求：

百度查询： 华中科技大学 一种基于小样本实验数据集和域适应极限学习机的切削力建模方法