在铜合金进行热轧轧制工序时,轧制力的准确预测影响着整个热轧轧制工序和热轧产品的性能。热轧轧制力设定的精度决定了铜合金板坯热轧轧制后的厚度,导电性,抗拉强度等产品质量的精度,并且可以通过对热轧轧制力的精确预报减少铜合金板坯轧制过程的长度。铜合金热轧轧制的过程中各种因素繁多,变量间的变化很难用公式进行表示,如果使用传统的轧制机理模型对轧制力进行建模预测,由于适用状况少,易产生较大误差,无法达到当今生产中对于多规格产品智能化精确化的生产需要。由对热轧轧制机理模型开始改进,使用机器学习方法构建热轧轧制力预测模型,从而提升热轧轧制力预测的准确度和泛化能力。为了提高轧制力预测模型的各项性能,本文进行了以下工作:第一,通过对目前现有的轧制力预报算法的分析和比较研究,对目前机理模型和机器学习算法在实际生产数据中应用进行深入分析,本文提出使用支持向量回归进行轧制力预测模型构建,并对支持向量机和支持向量回归基本理论进行论述。第二,对影响支持向量回归性能的机器学习算法参数进行分析和论述,本文提出使用粒子群优化算法优化支持向量回归算法的参数,增强了支持向量回归算法的全局寻优能力。之后在粒子群算法中加入邻域的划分,将全局最优值改为邻域中的最优值,增加了网络的收敛能力与局部搜索能力。实验结果表明,该模型在预测精度和模型推广能力上均优于遗传算法优化模型并能满足实际生产环境下的要求。第三,通过分析实际铜合金热轧轧制生产过程中产生的生产数据,本文提出在现有轧制训练样本集的特征中加入轧制时间和轧制道次两个特征,建立铜合金热轧工艺流程轧制力训练样本集。从而对板坯在热轧轧制过程中的整个工艺流程的热轧轧制力进行预测。第四,由于改进后的训练样本集增加了特征和更多的数据样本,仅使用支持向量回归模型难以对训练数据进行较好的拟合,本文提出一种基于深度信念网络的轧制力预测模型,将深度信念网络与支持向量回归相结合。使用深度信念网络分析训练样本集各个特征间的相互影响,为支持向量回归提供降维后的深层次特征,增加了支持向量回归的运算效率和准确度。实验结果表明相较于其他神经网络算法,使用深度信念网络支持向量回归构建的预测模型整体运算时间减少40%,预测精度也得到较大提升。