基于综合满意度函数的D2钢激光抛光工艺参数优化方法

目的同步提升D2模具钢激光抛光效果及抛光质量的稳定性。方法提出了一种基于综合满意度函数的D2钢激光抛光工艺参数优化方法。首先,以表面粗糙度、显微硬度和抛光深度为优化目标,基于Box-Behnken方法,以激光功率、扫描速度和搭接率为试验因素进行3因素3水平试验。其次,基于试验数据构建各优化目标均值与标准差的双响应面模型,采用熵权理论获得了各优化目标均值与标准差的客观熵权,并与主观熵权结合构建综合熵权。最后,将双响应面模型与综合熵权引入满意度函数构建了改进综合满意度模型,通过随机梯度下降法获得最佳工艺参数组合。结果在激光功率为551W、扫描速度为9mm/s、搭接率为0.55的条件下,表面粗糙度均值由Ra=5.188μm下降至Ra=1.056μm,降幅为79.65%,粗糙度标准差为0.0128μm;显微硬度由541.3HV0.5下降至509.3HV0.5,降幅为5.91%,显微硬度标准差为12.9811HV0.5;抛光深度为0.331mm,抛光深度标准差为0.0024mm。结论该方法可以有效提升D2模具钢激光抛光效果,同时避免抛光后表面质量波动,可为其他模具钢激光抛光工艺参数寻优提供方法借鉴。

基于循环神经网络的推荐算法

传统电影推荐算法多数基于用户和电影的静态属性进行推荐,忽略了时间序列数据内在的时间和因果因素,推荐质量不高。为此,利用循环神经网络(RNN)在处理时间序列上的优势,提出一种推荐算法R-RNN。采用 2个长短期记忆网络分别挖掘用户和电影的潜在状态,实现长距离的历史状态积累,将用户状态和电影状态的内积作为最终评分。在IMDB和Netflix数据集及Netflix子集上的实验结果表明,与基于概率矩阵分解、TimeSVD++及AutoRec算法相比,该算法能够有效降低均方根误差,并提高预测评分的准确度。

基于GRU网络和矩阵分解的混合推荐算法

针对传统电影推荐算法中数据维度高,缺乏考虑用户和电影长短期状态的问题,提出一个基于GRU网络和矩阵分解的混合推荐算法的研究。该算法利用自编码器对时序数据进行降维处理,然后使用GRU网络处理降维后的时序数据以捕获用户和电影的短期动态状态,利用矩阵分解算法处理原始评分矩阵得到用户和电影的长期固定状态,然后利用线性回归模型将长期状态的内积和短期状态的内积的混合加权评分作为最终预测评分,以提高推荐质量。