摘要：如何准确且快速预测磁电系数是磁电多功能器件优化设计领域的一大难题.针对这一问题,该文提出了一种新的遗传算法(GA)优化的反向传播(BP)神经网络的预测磁电系数模型.该模型弥补了BP神经网络模型中经验化计算隐含层神经元个数与手动设定模型最佳训练轮次的不足,有效地提高了GA优化后的BP神经网络的预测精度.结果表明,GA优化后的BP神经网络模型的预测指标R 2高达98.49%,比普通BP模型的预测指标R 2高2.37%,同时该模型的误差更低,故GA优化后的BP预测模型在预测磁电系数上有显著的优越性与更高的精确度.另外在GA-BP模型的基础上引入shap模型,充分解释输入参数对磁电系数的影响程度.本研究为更快速、简洁地预测磁电系数,优化磁电复合材料设计提供了有效的支持.

摘要：为了提高产品质量预测模型精度和降低过拟合能力,提出了一种基于Stacking集成的研究构思,将LightGBM、GBDT和Lasso三种预测算法进行Stacking集成,以此构建多算法集成的产品质量预测模型。首先,采用XGBoost对制造过程数据进行关键特征提取,同时引入shap模型挖掘关键特征对产品质量的影响差异。其次,将关键特征导入基学习器LightGBM、GBDT和Lasso中,并将三种基学习器的预测结果作为元学习器LightGBM的输入,以此完成多算法集成的质量预测。最后以注塑成型加工过程为例,验证所提模型和方法的可行性。