[发明专利]一种基于误差传递网络与提升树算法的质量预测方法

权利要求书

1.一种基于误差传递网络与提升树算法的质量预测方法，其特征在于，包括以下步骤：

步骤1，提取网络结点，确定连接关系，构建与零件加工质量特性有关的多工序误差传递网络；

步骤2，根据步骤1得到的多工序误差传递网络，确定质量预测模型的输入和输出特征，基于提升树算法，构建基于误差传递网络与提升树算法的质量预测模型；

步骤3，根据步骤2得到的质量预测模型，利用粒子群和网格搜索算法分别对提升树算法中连续和离散的超参数进行寻优，得到优化后的质量预测模型；

步骤4，建立模型准确率和成熟度的评价指标，用以评估步骤3得到的质量模型的优劣，保证所述质量模型预测质量；

步骤5，利用蒙特卡洛方法生成样本仿真数据，作为步骤3中训练成熟的预测模型的输入，根据预测模型输出的预测值推断产品合格率，为生产调整提供依据；步骤3中利用粒子群和网格搜索算法对提升树算法中超参数进行寻优，具体步骤如下：

步骤301，归纳提升树预测性能有重要影响的超参数，具体如下：

学习率α：连续值，0＜α≤1，

弱学习器数量n：离散整数值，0＜n，

最大深度d：离散整数值，0＜d，

步骤302，构造粒子群优化算法，粒子迭代速度表示为：

v_i+1＝w*v_i+c₁*rand₁*(pbest_i-x_i)+c₂*rand₂*(gbest_i-x_i)

式中，w为惯性因子，c₁和c₂为学习因子，rand₁和rand₂为两个(0,1)间的随机数，v_i+1和v_i表示粒子第i+1和i维的速度，pbest_i和gbest_i分别是指单个粒子的历史最优解和整个粒子群的历史最优解；

粒子位置更新表示为：

x_i+1＝x_i+v_i+1

式中，x_i+1和x_i表示粒子第i+1和i维的位置；

步骤303，对取连续值的超参数λ₁采用粒子群寻优算法：

式中，为最优化离散超参数，L(y-f(x；λ₁))为损失函数；

对取离散值的超参数λ₂采用网格搜索优化算法：

式中，为最优化离散超参数，L(y-f(x；λ₂))为损失函数，其中λ₂∈N，N为超参数的取值空间，采用枚举策略计算损失函数，最终得到优化后的质量预测模型。