基于迁移学习的切削力神经网络预测模型优化策略

摘要

在实际生产中,生产条件的变更情况时常发生,重新训练一个神经网络预测模型的成本较为高昂.本文针对切削力预测的任务,结合迁移学习领域的理论和方法,研究了一种神经网络的训练方法.在训练神经网络模型时,使用一组相关但不完全相同的切削数据预训练一个网络模型;使用目标数据对该网络进行重训练,并在网络的优化目标中加入两组数据集的MMD距离,称为"迁移网络".结果表明,与传统的BP神经网络相比,在一定条件下,迁移网络具有较为明显的性能优势.一方面,这意味着使用相同的实验样本,迁移网络的预测误差将得到控制;另一方面,当达到相同的预测误差时,迁移网络所需的实验样本数量将减少,能够有效的减少训练成本.