搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

选择性激光烧结成型件密度的支持向量回归预测

蔡从中 裴军芳 温玉锋 朱星键 肖婷婷

引用本文:
Citation:

选择性激光烧结成型件密度的支持向量回归预测

蔡从中, 裴军芳, 温玉锋, 朱星键, 肖婷婷

Density prediction of selective laser sintering parts based on support vector regression

Cai Cong-Zhong, Pei Jun-Fang, Wen Yu-Feng, Zhu Xing-Jian, Xiao Ting-Ting
PDF
导出引用
计量
  • 文章访问数:  5216
  • PDF下载量:  650
  • 被引次数: 0
出版历程
  • 收稿日期:  2009-01-15
  • 修回日期:  2009-04-20
  • 刊出日期:  2009-12-21

选择性激光烧结成型件密度的支持向量回归预测

  • 1. 重庆大学应用物理系,重庆 400044
    基金项目: 教育部新世纪优秀人才支持计划(批准号:NCET-07-0903)、教育部留学回国人员科研启动基金(批准号:2008101-1)、重庆市自然科学基金(批准号:CSTC2006BB5240)和国家大学生创新性实验计划(批准号:CQUCX-G-2007-016)资助的课题.

摘要: 根据不同工艺参数(层厚、扫描间距、激光功率、扫描速度、加工环境温度、层与层之间的加工时间间隔和扫描方式)下的选择性激光烧结成型件密度的实测数据集,应用基于粒子群算法寻优的支持向量回归(SVR)方法,建立了加工工艺参数与成型件密度间的预测模型,并与BP神经网络模型进行了比较.结果表明:基于相同的训练样本和检验样本,成型件密度的SVR模型比其BP神经网络模型具有更强的内部拟合能力和更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法的SVR模型的预测误差最小.因此,SVR是一种预测选择性激光烧结成型件密度的有效方法.

English Abstract

目录

    /

    返回文章
    返回