来源：期刊VIP网 时间：
作者：廖娅琪;潘安琪;杨闪闪;田文韬;
单位：东华大学信息科学与技术学院;东华大学数字化纺织服装技术教育部工程研究中心;
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R~2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
基金资助：国家自然科学基金(62303108)
