来源：期刊VIP网 时间：
作者：姚磊;黎振;武川;孟亚飞;王孟超;
单位：天津职业技术师范大学汽车模具智能制造技术国家地方联合工程实验室;天津职业技术师范大学天津市高性能精准成形制造技术与装备重点实验室;
摘要：【目的】为了解决疲劳强度预测中由于数据量不足和高维数据而引起的挑战，提出一种互信息特征选择和递归特征消除（Mutual Information Feature Selection and Recursive Feature Elimination, MIFS-RFE）相结合的方法。【方法】首先，采用MIFS识别对模型预测最关键的特征。其次，在RFE阶段重点处理剩余特征，通过系统迭代过程选择最具信息量的特征，确保最终特征子集能够准确地支持疲劳强度预测。最后，将经过特征选择和消除处理得到的最终特征子集输入到随机森林回归（Random Forest Regression, RFR）、K最近邻回归（K Nearest Neighbor Regression, KNN）、支持向量回归（Support Vector Regression, SVR）和多层感知机（Multi-Layer Perceptron, MLP）模型中，综合分析各模型的预测性能。【结果】经过优化后，特征数据从原始的25维降到了13维。在测试过程中，RFR、KNN、SVR和MLP的决定系数R~2分别为0.977 7、0.972 5、0.961 3和0.976 6。相较于全部特征的测试结果，所提方法使得模型的R~2最大提升了0.020 8。最后基于模型的Shapley加法解释（Shapley Additive Explanation, SHAP）值分析最优特征的影响性，验证了MIFS-RFE方法的有效性，说明所提方法在维持相对高性能的同时成功降低了特征维度，为疲劳强度预测提供了更有效的优化方案。
关键词：疲劳强度;;互信息特征选择;;递归特征消除;;机器学习;;最优特征子集
基金资助：国家自然科学基金项目（52075386）;; 天津市自然科学基金多投入重点项目（22JCZDJC00650）;; 中国博士后科学基金第67项研究金项目（2020M672309）;; 陕西省高性能精密成形技术与装备重点实验室项目（PETE2019KF02）~~
