基于迁移学习的变工况下制造周期预测方法研究OA

针对多工况制造场景中复杂工况导致的制造周期预测精度低的问题,本文提出一种基于贝叶斯岭回归的迁移学习框架,实现跨工况制造周期的预测.该模型对源域模型的后验分布进行加权融合,实现知识迁移.本文采用随机森林、神经网络和贝叶斯岭回归等基线模型进行对比试验,并在目标域测试集及目标域新数据集上评估模型性能.试验结果表明,贝叶斯迁移学习模型在目标域数据上表现出较高的预测精度,同时对目标域新数据也有较好的预测效果,验证了该方法在跨域预测任务中的有效性.