多核高斯过程与数据扩充联合优化的小样本纤维性能预测

摘要

碳纤维因其高刚性及高强度的特性，被广泛应用于纺织、军事和航天等行业。预测其力学性能有利于提高质量和改进制造工艺等。然而，碳纤维的制造过程成本高、工艺复杂且耗时，导致所能获取的样本数量有限。在样本不足的情况下，难以通过现有的数据驱动技术准确预测碳纤维的力学性能，故提出一种基于多核高斯过程与数据扩充联合优化的集成预测模型（AMK-GP）。该模型通过加权集成多个高斯核函数捕捉数据间的复杂关系，并利用贝叶斯自举法对样本数量进行扩充。同时，为进一步提高预测性能，利用粒子群算法对数据扩充倍数和高斯核函数权重进行联合优化。实验结果显示，在小样本基准测试集和碳纤维力学性能预测中，AMK-GP模型的决定系数R²和误差系数e_MAPE相对于高斯过程、径向神经网络和支持向量机模型有明显优势，证实了该方法在实际应用中的有效性和优越性。未来的研究可进一步优化数据扩充和模型训练过程，为性能预测提供强有力的技术支持。

关键词

碳纤维 / 多核高斯过程 / 联合优化 / 贝叶斯自举 / 小样本