[发明专利]一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法

权利要求书

1.一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，其特征在于，包括以下步骤：

步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集C_t和验证集C_v；

步骤S2:通过K折交叉验证法划分训练集C_t为i个子训练集C_t1,C_t2,C_t3...C_tk；

步骤S3：将子训练集C_t1,C_t2,C_t3...C_tK分别用于训练XGBOOST-NN算法参数，得到i个已训练的XGBOOST-NN算法模型M₁,M₂,M₃...M_i；

步骤S4:根据验证集C_v分别验证XGBOOST-NN算法模型M₁,M₂,M₃...M_i的准确率S₁,S₂,S₃...S_i，并获取准确率最高的模型用于激光切割质量判断；

所述步骤S3具体为：

步骤S3.1:选取一个子训练集C_t1，作为XGBOOST-NN算法模型M₁的训练集合,定义树的数目n_T；

步骤S3.2:设子训练集C_t1中的数据为x＝[x₁ x₂ x₃ ... x_m]^T,m为数据条数,y＝[y₁ y₂y₃ ... y_m]^T为数据x对应的标签；

步骤S3.3:定义平方损失函数

其中，为预测标签向量；为第i个预测值；

步骤S3.4:定义第t(1＜t≤n_T)棵树f_t(x)：

f_t(x)＝w_q(x)

其中，x为自变量；q(x)为树叶子节点的映射关系；w∈R^T为长度为T的一维向量,代表树t各节点的权值；

步骤S3.5:定义第t棵树的复杂度Ω(f_t(x))：

其中，γ(γ＞0)为叶子节点数量T的惩罚因子；λ(λ＞0)为叶子权值二范数的惩罚因子；

步骤S3.6:定义第t棵树的损失函数

其中，

为一阶导；

为二阶导；

步骤S3.7:定义单个叶子节点中各个数据的一阶导之和为G，每个叶子节点中各个数据的二阶导之和为H：

其中，I为单个叶子节点中数据数目；

步骤S3.8:从根节点开始，对第t棵树进行分裂节点操作，得到树模型

步骤S3.9:计算数据x经树模型映射后的权值向量

步骤S3.10:随机初始化神经网络输入层与隐藏层的连接权重w_ih：

其中，u表示输入层节点的个数；v表示隐藏层节点的个数；表示第u个输入层节点与第v个隐藏层节点之间的权重；

步骤S3.11:随机初始化神经网络输入层与隐藏层的偏置b_ih

步骤S3.12:随机初始化神经网络隐藏层与输出层的连接权重w_ho：

其中，u表示隐藏层节点的个数；w表示输出层节点的个数；表示第v个隐藏层节点与第w个输出层节点之间的权重；

步骤S3.13:随机初始化神经网络隐藏层与输出层的偏置值b_ho；

步骤S3.14:设定激活函数f_a(x)：

其中，x为自变量；

步骤S3.15:计算神经网络的输出O：

其中，

其中，_Ow为第w个输出层节点的输出值；

步骤S3.16:计算神经网络的损失函数L：

其中，

y_i为第i个标签值；

w为输出层节点数；

o_i为输出层第i个节点的输出；

步骤S3.17:计算输出层的误差因子δ_o：

其中，表示矩阵对应位置相乘；

步骤S3.18:设置模型的学习率η并更新隐藏层与输出层的连接权重w_ho和偏置b_ho：

w_ho⁽¹⁾＝w_ho+ηδ_oO^T

b_ho⁽¹⁾＝b_ho+ηδ_o

其中，w_ho⁽¹⁾和b_ho⁽¹⁾为更新后的权重和偏置；

步骤S3.19:计算隐藏层的误差因子δ_h：

其中，表示矩阵对应位置相乘；

步骤S3.20:更新输入层与隐藏层的连接权重w_ih和偏置b_ih：

w_ih⁽¹⁾＝w_ih+ηδ_hO^T

b_ih⁽¹⁾＝b_ih+ηδ_h

其中，w_ih⁽¹⁾和b_ih⁽¹⁾为更新后的权重和偏置；

步骤S3.21:重复迭代步骤S3.15到步骤S3.18n(n＞0)次，得到模型M₁；

步骤S3.22:将剩余子训练集数据依次按步骤S3.2到步骤S3.19步骤执行，执行所得模型与M₁一同构成待测试模型集合M：M＝[M₁ M₂ … M₃]。