超参自适应支持向量回归及在滚齿工艺参数预测上的应用

针对预测问题中,特别是在大数据预测问题中的支持向量回归(SVR)超参数自适应调整问题,提出一种基于K-means聚类和混沌哈里斯鹰算法的超参数自适应支持向量回归方法。在超参数数值范围内,随机生成SVR超参数集群。使用K-means聚类获取训练集聚类中心,根据聚类中心和SVR超参数集群获得验证集的预测结果。以均方误差为目标,使用混沌哈里斯鹰算法不断更新超参数集群,找出最佳超参数,并对测试集进行预测,获得最终的均方误差,以测试方法的泛化能力。与其他知名方法进行对比,基于5组数据集,对预测的准确性、稳定性和时间复杂度进行了评估,本方法以0.226的整体性能评分排名第一。最后将本文方法应用到滚齿工艺参数预测领域,与其他方法的应用效果进行比较,验证了本方法的可行性和有效性。