为精确预测管材弯曲回弹并设计合理的补偿方案,选择经过优化处理的BP机器学习算法建立预测模型,之后对其开展了控制性能评价.大幅提升了泛化性能并获得更高的预测精度,促进算法更快完成收敛过程.并对模型开展了验证分析.研究结果表明:当以PSO算法优化BP建立预测模型进行预测时跟目标结果间形成了15.7%的平均误差,相对于BP预测模型,大幅提升了预测精度,但会导致计算效率明显下降,所需计算时间接近1.5h.以改进粒子群算法对BP进行优化后,可以有效提升神经网络泛化性能,跟目标值相比平均误差只有6.2%.先对基本PSO算法实施优化处理,再利用优化后的PSO算法调整BP,由此建立得到机器学习预测模型.此模型可以达到高预测精度以及高效率的要求,可以有效满足管材数控弯曲回弹以及补偿的计算需求.
NETL
NSTL
万方数据
维普
