【塑料热压成型预测】鱼鹰算法优化支持向量机OOA-SVR塑料热压成型预测（多输入单输出）【含Matlab源码 3978期】

本文链接：https://blog.csdn.net/Matlab912100926/article/details/140775917

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab神经网络预测与分类（仿真科研站版）仿真内容点击👇
Matlab神经网络预测与分类（仿真科研站版）

⛄一、阿基米德搜索算法优化支持向量机

塑料热压成型是塑料加工业中简单、普遍之加工方法，主要是利用加热加工模具后，注入试料，以压力将模型固定于加热板，控制试料的熔融温度和时间，融化后硬化、冷却，再予以取出模型成品即可。热压成型具有模具便宜、成品厚度均匀等优点，其产品有冰箱门的内衬、汽车档泥板、汽车底盘、软质饮水杯、标示牌、包装材料及其它厚度均匀的产品。
在塑料热压成型中，工艺参数的选择起着至关重要的作用，确定原则是选择合适的固化温度、固化时间、固化压力、升温速度、加压温度和加压时间，保证塑料成型时获得较高性能的制件。而传统的确定方法主要依靠多次实验，采用经验设计准则设计，完全取决于设计者的经验，由此所得的工艺参数往往须经过多次试验才能调整出合适的参数，效率很低。因此需要建立获得较高性能制件的各热压成型工艺参数之间的关系，文中利用人工神经网络建立塑料热压成型工艺参数的数学模型，用遗传算法对参数进行优化，较好地控制了工艺参数，提高了制件性能。

1 塑料热压成型实验方法及其工艺参数和目标函数的确定
实验原材料为塑料树脂材料 PP( 聚丙烯) ，实验设备为液压式万能试验机、箱式电阻炉和自制的搅拌机，将原材料放入搅拌机中搅拌均匀后，放入箱式电阻炉加热到 175 ～ 180 ℃，把加热后的原材料放入到预热到相同温度的模具中，在液压式万能试验机上加压，保压一定时间，卸载冷却后脱模，即可得到试样。塑料热压成型过程中，成型产品精度是由多个成型参数共同决定的，成型工艺参数对产品精度的影响呈非线性变化，且各参数之间具有复杂的耦合关系，难以建立统一的数学公式。影响塑料热压成型的工艺参数主要有固化温度( Ts ) 、固化时间( ts ) 、固化压力( Ps ) 、升温速度( Vs ) 、加压温度( Tj) 和加压时间( tj) ，文章选择上述这 6 个工艺参数为控制因子。
塑料热压成型产品质量问题有很多，文章从塑料热压成型件力学性能的角度研究横向拉伸模量 ( Eh ) 、横向拉伸强度( Gh ) 、层间剪切强度( Gc ) 和含胶量( Q) ，将其作为研究的目标函数。

2 鱼鹰算法优化支持向量机OOA-SVR
鱼鹰算法优化支持向量机（OOA-SVR）是一种基于鱼鹰算法的支持向量机优化方法。支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，用于分类和回归问题。

鱼鹰算法是一种基于自然界中鱼鹰捕食行为的优化算法。它模拟了鱼鹰在捕食过程中的搜索和追踪策略，通过不断调整搜索空间中的候选解来寻找最优解。

OOA-SVR方法将鱼鹰算法应用于支持向量机的优化过程中，以提高支持向量机的性能和精度。其原理如下：
（1）初始化种群：根据问题的特点和要求，初始化一定数量的鱼鹰个体作为初始种群。
（2）评估适应度：根据支持向量机的目标函数，计算每个个体的适应度值，评估其性能。
（3）更新位置：根据鱼鹰算法的搜索策略，通过调整个体的位置来更新种群。这里的位置表示支持向量机模型中的参数，如权重和偏置。
（4）更新速度：根据个体之间的位置差异和适应度值，更新个体的速度。速度的更新可以帮助个体更好地搜索最优解。
（5）选择操作：根据适应度值，选择一部分个体作为下一代的父代，用于产生新的个体。
（6）交叉和变异：通过交叉和变异操作，生成新的个体，并加入到下一代种群中。
（7）终止条件：根据预设的终止条件，判断是否满足停止迭代的条件。如果满足，则输出最优解；否则，返回第3步继续迭代。

⛄二、部分源代码

%% 清空环境变量
clear all
clc
%% 导入数据
X = xlsread(‘输入’);
Y = xlsread(‘输出’);
%%
% 设置训练集和测试集
%temp = randperm(size(X,1));%1代表多少行，2代表多少列
% 训练集—
P_train= X((1:24)😅‘;%冒号代表取出来是整行或者整列，‘代表转置
P_test = X((25:end)😅’;
M = size(P_train,2);
% 测试集—
T_train= Y((1:24)😅’;
T_test = Y((25:end)😅';
N = size(P_test,2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax(‘apply’, P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax(‘apply’, T_test, ps_output);

%% 转置以适应模型
p_train = p_train’; p_test = p_test’;
t_train = t_train’; t_test = t_test’;

%% 参数设置
Max_Iteration = 50; % 最大的进化代数
Atom_Num = 10; % 种群最大数量
Low = [0.1,0.1]; % 参数c的变化范围
Up = [100,100]; % 参数g的变化范围
Dim=2;
v = 5; % 交叉验证参数
%% 优化算法
fobj=@(x)fitness(t_train, p_train,v,x);
[Fit_XBest,X_Best,trace]=OOA(Atom_Num,Max_Iteration,Low,Up,Dim,fobj);
%% 最佳参数
cmd = [’ -t 2’, ’ -c ', num2str(X_Best(1)), ’ -g ‘, num2str(X_Best(2)), ’ -s 3 -p 0.1’];

%% 模型训练
model = svmtrain(t_train, p_train, cmd);
mode1 = svmtrain(t_test, p_test, cmd);
%% 仿真预测
[t_sim1, error_1] = svmpredict(t_train, p_train, model);
[t_sim2, error_2] = svmpredict(t_test , p_test , mode1);

%% 数据反归一化
T_sim1 = mapminmax(‘reverse’,t_sim1,ps_output);
T_sim2 = mapminmax(‘reverse’,t_sim2,ps_output);

%% 均方根误差 RMSE
%% 均方根误差 RMSE
error1 = sqrt(sum((T_sim1’ - T_train).^2)./M);
error2 = sqrt(sum((T_test - T_sim2’).^2)./N);

%%
%决定系数
R1=eva1(T_train,T_sim1’);
R2=eva2(T_test,T_sim2’);

%%
%均方误差 MSE
mse1 = sum((T_sim1’ - T_train).^2)./M;
mse2 = sum((T_sim2’ - T_test).^2)./N;
%%
%RPD 剩余预测残差
SE1=std(T_sim1’-T_train);
RPD1=std(T_train)/SE1;

SE=std(T_sim2’-T_test);
RPD2=std(T_test)/SE;
%% 平均绝对误差MAE
MAE1 = mean(abs(T_train - T_sim1’));
MAE2 = mean(abs(T_test - T_sim2’));
%% 平均绝对百分比误差MAPE
MAPE1 = mean(abs((T_train - T_sim1’)./T_train));
MAPE2 = mean(abs((T_test - T_sim2’)./T_test));
%% 训练集绘图
figure
%plot(1:M,T_train,‘r-',1:M,T_sim1,‘b-o’,‘LineWidth’,1)
plot(1:M,T_train,'r-’,1:M,T_sim1,‘b-o’,‘LineWidth’,1.5)
legend(‘真实值’,‘预测值’)
xlabel(‘预测样本’)
ylabel(‘预测结果’)
string={‘训练集预测结果对比’;[‘(R^2 =’ num2str(R1) ’ RMSE= ’ num2str(error1) ’ MSE= ’ num2str(mse1) ’ RPD= ’ num2str(RPD1) ‘)’ ]};
title(string)
%% 预测集绘图
figure
plot(1:N,T_test,‘r-‘,1:N,T_sim2,‘b-o’,‘LineWidth’,1.5)
legend(‘真实值’,‘预测值’)
xlabel(‘预测样本’)
ylabel(‘预测结果’)
string={‘测试集预测结果对比’;[’(R^2 =’ num2str(R2) ’ RMSE= ’ num2str(error2) ’ MSE= ’ num2str(mse2) ’ RPD= ’ num2str(RPD2) ‘)’]};
title(string)
%% 适应度曲线
figure
plot(1: length(trace), trace(:, 1), ‘r-’, ‘LineWidth’, 1.5);
title(‘OOA-SVM适应度曲线’, ‘FontSize’, 13);
xlabel(‘迭代次数’, ‘FontSize’, 10);
ylabel(‘适应度值’, ‘FontSize’, 10);
grid on
%% 测试集误差图
figure
plot(T_test’-T_sim2,'b-’,‘LineWidth’,1.5)
xlabel(‘测试集样本编号’)
ylabel(‘预测误差’)
title(‘OOA-SVM测试集预测误差’)
grid on;
legend(‘OOA-SVM预测输出误差’)
%% 绘制线性拟合图
%% 训练集拟合效果图
figure
plot(T_train,T_sim1,‘*r’);
xlabel(‘真实值’)
ylabel(‘预测值’)
string = {‘训练集效果图’;[‘R^2_c=’ num2str(R1) ’ RMSEC=’ num2str(error1) ]};
title(string)
hold on ;h=lsline;
set(h,‘LineWidth’,1,‘LineStyle’,‘-’,‘Color’,[1 0 1])
%% 预测集拟合效果图
figure
plot(T_test,T_sim2,‘ob’);
xlabel(‘真实值’)
ylabel(‘预测值’)
string1 = {‘测试集效果图’;[‘R^2_p=’ num2str(R2) ’ RMSEP=’ num2str(error2) ]};
title(string1)
hold on ;h=lsline();
set(h,‘LineWidth’,1,‘LineStyle’,‘-’,‘Color’,[1 0 1])
%% 求平均
R3=(R1+R2)./2;
error3=(error1+error2)./2;
%% 总数据线性预测拟合图
tsim=[T_sim1’,T_sim2’]’
figure
plot(Y,tsim,‘ob’);
xlabel(‘真实值’)
ylabel(‘预测值’)
string1 = {‘所有样本拟合预测图’;[‘R^2_p=’ num2str(R3) ’ RMSEP=’ num2str(error3) ]};
title(string1)
hold on ;h=lsline();
set(h,‘LineWidth’,1,‘LineStyle’,‘-’,‘Color’,[1 0 1])
%% 打印出评价指标
disp([‘-----------------------误差计算--------------------------’])
disp([‘OOA-SVM的预测集的评价结果如下所示：’])
disp([‘平均绝对误差MAE为：’,num2str(MAE2)])
disp(['均方误差MSE为： ',num2str(mse2)])
disp(['均方根误差RMSEP为： ',num2str(error2)])
disp(['决定系数R^2为： ',num2str(R2)])
disp(['剩余预测残差RPD为： ',num2str(RPD2)])
disp([‘平均绝对百分比误差MAPE为： ‘,num2str(MAPE2)])
grid
%% 打印出评价指标
disp([’-----------------------误差计算--------------------------’])
disp([‘OOA-SVM最终的评价结果如下所示：’])
disp(['均方根误差RMSEP为： ',num2str(error3)])
disp(['决定系数R^2为： ',num2str(R3)])

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]刘路,王太勇.基于人工蜂群算法的支持向量机优化[J].天津大学学报. 2012,41(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰