摘要：根据不同工艺参数（层厚、扫描间距、激光功率、扫描速度、加工环境温度、层与层之间的加工时间间隔和扫描方式）下的选择性激光烧结成型件密度的实测数据集，应用基于粒子群算法寻优的支持向量回归（SVR）方法，建立了加工工艺参数与成型件密度间的预测模型，并与BP神经网络模型进行了比较．结果表明：基于相同的训练样本和检验样本，成型件密度的SVR模型比其BP神经网络模型具有更强的内部拟合能力和更高的预测精度；增加训练样本数有助于提高SVR预测模型的泛化能力；基于留一交叉验证法的SVR模型的预测误差最小．因此，SVR是一种预测选择性激光烧结成型件密度的有效方法．

关键词：选择性激光烧结 密度 支持向量机 回归分析 

单位：重庆大学应用物理系 重庆400044