为提高选择性激光烧结(SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM),建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。

圆度误差作为重要的几何误差指标直接影响机械零部件装配精度和使用寿命,面向智能制造的在线测量对圆度评定方法的快速性、准确性提出了更高的要求。针对在线圆度误差评定,结合磨加工主动量仪提出一种基于最小二乘支持向量机(LSSVM)的最小区域评定方法。LSSVM采用误差的二范数和等式约束代替了传统支持向量机中的误差和不等式约束,将二次规划问题转化为求解线性方程,降低了计算的复杂度,有效提高了求解速度。通过对比单纯形算法、遗传算法、

为了解决最小二乘支持向量机对于选择核函数盲目性的问题，将核度量标准核极化和多核学习引入最小二乘支持向量机中，提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数，再根据多核学习原理组合多核函数，然后，建立多核最小二乘支持向量机模型，并进行模型的学习训练和预测。UCI数据上的试验结果表明，所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。