史柏迪，庄曙东，韩 祺

(1.河海大学机械工程学院，江苏 常州 213022；2.梅特勒-托利多国际贸易(常州)有限公司，江苏 常州 213022；3.南京航空航天大学江苏省精密仪器重点实验室，南京 21009)

0 引言

金属零件加工后表面粗糙度直接决定零部件的配合性质、耐磨性、疲劳强度、接触刚度、使用寿命及各类力学性能，为必须被约束的重要参数。当前机械加工日益趋向超高精密化[1]，传基于统计学原理的多元线性[2]、以及非线性[3]回归预测模型以及无法满足实际加工需求。

当前机器学习与深度学习的浪潮之下为表面粗糙度预测提供了新的方案。国内外已经有了诸多研究，在机器学习算法中支持向量机(SVM)[4]，决策树[5]、K近邻[6]等在预测以及分类任务中均有广泛使用。但近年来深度学习算法在图像识别、特征工程、数据分析等领域相对机器学习算法均有更好的精度表现。且随着近年来国内外学者的进一研究，目前其可读性、表达能力、优化等问题有了较大改善[7-9]。但经网络初始化、梯度消失等“黑盒”问题依旧存在，在工程运用中直接影响神经网络模型的预测精度。基于此问题本文提出一种在初始化以及算法优化器两方面进行改进的神经网络。

神经网络初始化目前一般最为简单的方法为对各层神经元节点填充服从均值为0方差为1的高斯分布随机数。其次便是使用群体智能算法对神经网络参数进行预先筛选。目前常见有PSO-BP[10]、GA-BP[11]，但其本质为建立多个随机正态分布神经网络在此基础上对其参数按照特定算法进行更新，最终筛选出最佳个体。……