[发明专利]一种基于改进支持向量机算法的磨削表面粗糙度预测方法

权利要求书

1.一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，包括以下步骤：

步骤一、设计磨削实验加工参数与实验方案，磨削参数主要是砂轮线速度、工件速度、磨削深度，通过多组实验数据，测量出表面粗糙度值；

步骤二、将得到步骤一得到的数据，利用交叉验证的思想，划分出训练集和测试集，并进行归一化处理，将归一化的磨削参数和表面粗糙度作为预测模型的输入和输出样本；

步骤三、建立GOA-SVM的磨削表面粗糙度预测模型，并进行磨削的表面粗糙度预测。

2.根据权利要求1所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，所述的表面粗糙度的数据要进行测试集和训练集的划分，并进行数据的归一化处理。

3.根据权利要求1所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，所述的步骤三具体包括以下的步骤:

(1)初始化GOA-SVM算法的相关参数，包括种群规模大小、最大允许迭代次数、变量维度、惩罚参数C与核函数参数σ的取值范围；

(2)SVM的惩罚参数C与核函数参数σ取值与GOA算法的个体适应度取值相对应，根据适度值确定当前最优个体；

(3)通过变异、交叉方式产生中间种群，比较中间种群与原始种群个体适应度，根据适应度值的大小进行种群的更新；

(4)判断当前迭代次数是否达到终止条件，若是则结束进化并输出结果，尚未达到终止条件则继续选择最优值；

(5)通过蚱蜢算法得到SVM惩罚参数C与核函数参数σ的最优值，得到最优的两个参数在支持向量机算法模型中进行训练，构建出磨削表面粗糙度的预测模型；

(6)基于建立的磨削表面粗糙度预测模型对表面粗糙度进行预测。

4.根据权利要求3所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，所述的步骤(5)中，采用GOA算法对SVM模型的两个参数惩罚参数C和核函数参数σ进行优化，包括三个部分：(a)支持向量机算法的构建；(b)蚱蜢算法优化模型；(c)GOA-SVM算法磨削表面粗糙度模型建立。