典型文献
基于Stacking集成学习的注塑件尺寸预测方法
文献摘要：
机器学习算法能够处理高维和多变量数据,并在复杂和动态环境中提取数据中的隐藏关系,在注塑件尺寸预测中具有很好的应用前景.注塑件尺寸预测系统的性能取决于机器学习算法的选择,然而,传统的机器学习算法在实际应用中不能达到很好的预测效果.为此,文中提出了一种基于Stacking集成学习的融合模型,首先采用优化的特征选择方法获得最佳的特征数量,然后通过对比分析单一模型的关联度和预测效果、不同Stacking学习器组合方式下模型的预测效果,得到预测性能最佳的模型,该模型的基学习器为极端梯度提升树(XGB)、轻量级梯度提升树(LGB)、核岭回归,元学习器为弹性网络回归.测试结果表明:该模型在注塑件尺寸预测方面的均方根误差和平均绝对误差较XGB和LGB模型分别降低了16％和20％左右,较传统支持向量机模型分别降低了45.22％和46.48％,同时模型预测结果可根据特征解释回溯到实际生产中,为制造工艺和工序的优化提供决策指导.
文献关键词：
注塑成型;预测;机器学习;集成学习;Stacking
中图分类号：
作者姓名：
宋建;王文龙;李东;梁家睿
作者机构：
华南理工大学 广东省高分子先进制造技术及装备重点实验室/聚合物成型加工工程教育部重点实验室, 广东广州510640;金发科技股份有限公司 企业技术中心, 广东 广州510663
文献出处：
引用格式：
[1]宋建;王文龙;李东;梁家睿-.基于Stacking集成学习的注塑件尺寸预测方法)[J].华南理工大学学报（自然科学版）,2022(06):19-26
A类：
B类：
Stacking,集成学习,注塑件,尺寸预测,机器学习算法,高维,多变量,动态环境,提取数据,预测系统,能取,融合模型,特征选择,选择方法,获得最佳,特征数,组合方式,预测性能,基学习器,极端梯度提升树,XGB,轻量级,LGB,核岭回归,元学习,弹性网络回归,平均绝对误差,统支,支持向量机模型,征解,回溯到,制造工艺,注塑成型
AB值：
0.337304
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
