多因素影响下基于Bagging-NSGAⅡ的数控铣削稳定性预测与优化研究

数控机床铣削过程中出现的颤振失稳是影响数控机床加工效率和加工质量的关键因素。铣削稳定性与工艺参数、工艺系统动力学特性密切相关,而工艺系统动力学特性又随加工位置、刀具悬伸量的变化或刀具的更换而变化。因此,针对多因素影响下的铣削稳定性预测和无颤振工艺参数选择问题,本文以数控机床各向移动部件位置、刀具直径、刀具悬伸量和切削参数为变量,提出一种基于引导聚集算法(Bagging)与带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)的切削稳定性预测与工艺参数优化方法。该方法首先采用正交实验设计离散数控机床的工作空间,在每个加工位置对不同悬伸量下的刀具进行锤击实验,由此得到各把铣刀对应的刀尖点频率响应函数;然后,在不同工艺参数方案下进行铣削稳定性理论预测,进而引入Bagging算法建立以各向运动部件位置(x,y,z)、刀具直径d、刀具悬伸量h、主轴转速n、切削宽度a_(e)、每齿进给量f_(z)为输入的极限切削深度a_(plim)预测模型;在此基础上,采用该Bagging模型作为铣削稳定性约束,以加工位置和工艺参数(x,y,z,d,h,n,a_(p),ae,f_(z))为优化变量,建立最大材料切除率和刀具寿命的多目标优化模型,采用NSGA-Ⅱ算法求解该模型得到Pareto最优解集,并结合熵权法和优劣解距离法(TOPSIS)选出Pareto解集中的最佳解。以一台三轴立式加工中心展开实例分析,所建极限切削深度Bagging模型的预测误差为2.99%,且铣削加工实验表明获取的(x,y,z,d,h,n,a_(p),ae,f_(z))最优配置可实现稳定铣削,验证所提方法的可行性和有效性。

基于树型学习算法的短期流量预测研究

随着移动通信技术的发展,4G、5G给人们带来了极大便利。移动互联网飞速发展,移动流量呈现爆炸式增长,基站的流量预测问题变得越来越重要。针对短期流量预测问题,本文在数据集上分别验证了ExtraTrees、Gradient Boosting、Bagging和AdaBoost四种树型学习算法预测的准确性,通过平均绝对误差(Mean Absolute Error,MAE)值衡量预测结果。MAE的值越大,模型准确度越低。实验结果表明GradientBoosting模型的MAE值最小,模型准确度最高,故应用GradientBoosting模型进行了短期流量的预测。

基于Bagging-GPR的舰船目标RCS频率外推技术

[目的]针对高频情况下使用传统仿真、实测方法获取舰船目标RCS受限的问题,提出一种结合引导聚集(Bagging)算法与基于谱混合协方差函数的高斯过程回归(GPR)模型的混合方法(Bagging-GPR),从而根据仿真和实测得到的低频段RCS数据,准确高效地外推高频段的RCS数据。[方法]首先,根据舰船目标低频段单站RCS数据,以重采样的方式获取训练子集,并使用基于谱混合协方差函数的GPR模型对各子集的RCS数据在频域上进行外推;然后,通过Bagging算法将各子集的外推结果进行混合,以进一步提高GPR的外推精度和鲁棒性;最后,分别在舰船模型的仿真数据集和实测数据集上对Bagging-GPR混合方法的性能予以试验验证。[结果]结果表明,Bagging-GPR可以实现实时外推,预测值与仿真值、实测值基本一致,均方根误差很小。[结论]所提方法具有较高的频域RCS数据外推精度和良好的鲁棒性,可为快速获取目标的高频RCS特征提供一种新的技术手段。

基于Bagging的阿尔茨海默病进程多分类预测研究

目的对阿尔茨海默病(Alzheimer′s disease,AD)进程[认知正常(cognitive normal,CN)、早期轻度认知障碍(early mild cognitive impairment,EMCI)、晚期轻度认知障碍(late mild cognitive impairment,LMCI)和AD]进行多分类预测,为制定个性化诊疗方案提供参考。方法利用阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI)数据库中的527例个体的27个变量,进行特征选择筛选特征子集、SMOTE过采样处理类别不平衡后构建两个集成分类模型XGBoost和Bagging,并将分类性能与朴素贝叶斯和K-近邻进行比较。结果使用经SMOTE过采样后构建的Bagging集成模型准确率最高(94.40%);Bagging对EMCI、LMCI和AD的类准确率较高,分别为100.00%、88.00%和87.00%,Bagging模型性能较优。结论本文构建的AD进程多分类Bagging模型,不仅可实现直接多分类,而且有较高的准确率,可为临床AD的诊疗工作提供借鉴。