[发明专利]一种基于迁移学习的材料去除率模型的建立方法和装置

权利要求书

1.一种基于迁移学习的材料去除率模型的建立方法，其特征在于，包括：

S1：选择一种材料作为源材料，选择另外一种材料作为目标材料；

S2：针对所述源材料，进行多次磨抛实验并将记录的实验数据作为源数据；针对所述目标材料，通过优选规则选出少量实验点，对所述少量实验点进行磨抛实验并将记录的实验数据作为真实目标数据；

S3：利用仿射变换将所述源数据和所述真实目标数据之间的差异最小化，以构造伪目标数据；

S4：利用所述真实目标数据和仿射得到的所述伪目标数据进行训练，利用自适应加权算法建立所述目标材料对应的材料去除率模型。

2.如权利要求1所述的基于迁移学习的材料去除率模型的建立方法，其特征在于，所述S2包括：

分别对所述源材料和所述目标材料进行磨抛实验获取所述源数据和所述真实目标数据；所述源数据T_src和所述真实目标数据T_tar分别为：

其中，x_i＝{n_i,v_i,f_i}，n_i,v_i,f_i分别为磨抛实验采用的主轴转速、机器人进给速度和法向接触力值，y_i＝{y_1i}，y_1i为实验对应的材料去除厚度值，n和m分别为所述源数据的数量和所述真实目标数据的数量，且n＞m。

3.如权利要求2所述的基于迁移学习的材料去除率模型的建立方法，其特征在于，所述S2中优选规则包括：

所述真实目标数据的空间边界与所述源数据一致；以及所述真实目标数据应覆盖所述源数据的主要局部极值。

4.如权利要求2所述的基于迁移学习的材料去除率模型的建立方法，其特征在于，所述S3包括：

将实验获得的所述源数据和所述真实目标数据分别表示为：

由于所述源数据的数目和所述目标数据的数目不同，即n≠m，为简化问题，由T_src训练一个基本学习器f_src，然后通过仿射变换构造伪目标数据T′_src如下：T′_src＝[x^src,T_{src_1}·H]；

其中，H为仿射变换矩阵，H∈R^5×1，H表示为：H＝(A^TA)^-1A^TB，

5.如权利要求2-4任一项所述的基于迁移学习的材料去除率模型的建立方法，其特征在于，所述S5包括：

S51：定义联合数据集

S52：增加所述真实目标数据的权重来提高预测模型的精度，令初始权重为定义N为最大迭代次数，即t＝1,…,N，w_t为第t轮的权重向量；

S53：通过T和w_t训练得到基本回归模型P_t；定义假设预测函数为h_t:X→Y，则所述真实目标数据的训练误差为：y_i-h_t(x_i),n+1≤i≤n+m；

S54：若所述真实目标数据被错误预测，则调整T_tar的权重来减小所述伪目标数据的影响，并增加所述真实目标数据的影响；基于所有训练数据的训练误差系数计算得到新的权重向量，所述训练误差系数D_t表示所述真实目标数据的最大预测误差；

S55：在所述真实目标数据上将P_t的调整误差定义为：若ε_t≥0.5，则停止并令N＝t-1；再利用所述新的权重向量进行新一轮的训练得到新的预测模型P_t+1；

S56：以此类推，不断迭代，直到满足停止条件为止；最终输出训练误差最小的预测模型，即为所述目标材料对应的材料去除率模型。