1.一种机械加工表面粗糙度的预测方法，其特征在于，包括以下步骤：

步骤S1、样本数据的获取：选取多组检测参数和对应的表面粗糙度作为样本数据；

步骤S2、样本数据预处理：将步骤S1中的检测参数和表面粗糙度数据进行归一化，并将归一化后的参数和表面粗糙度分别作为神经网络的输入和输出样本；

步骤S3、确定神经网络结构：利用试凑法确定网络结构；

步骤S4、初始化群种：随机产生P个神经网络的权值和阈值；

步骤S5、选择S个优秀个体：将S4产生的P个神经网络的权值和阈值逐一赋给神经网络，计算表面粗糙度Ra预测值和实测值的误差，选择S个优秀个体；具体步骤为：将步骤S4产生的P个权值和阈值逐一赋给神经网络，并用归一化的切削力F作为输入得到的表面粗糙度Ra预测值，以实测值和预测值误差大小来评价这P个权值和阈值优劣，从其中选择误差最小的r个个体以及随机选择t个个体作为Copula  EDA的S个优秀个体，S＝r+t；

步骤S6、基于Copula分布估计算法优化网络参数：利用Copula分布估计算法优化网络参数，得到最优的权值和阈值，并将最优的权值和阈值赋给神经网络；

步骤S7、基于BP算法优化网络参数：将S6得到的最优的权值和阈值赋给神经网络，直至达到期望误差或者迭代次数，得到最终的最优权值和阈值来计算表面粗糙度的预测值；步骤6和步骤7在优化神经网络参数过程中，以表面粗糙度误差率最小为作为选择最优权值和阈值的评价标准；

步骤S8、将步骤S7得到的最终权值和阈值赋给网络，以验证实验的切削力F为输入，并计算预测的表面粗糙度Ra和实测值的误差，以此来评价网络结构的准确性和可靠性。

2.根据权利要求1所述的机械加工表面粗糙度的预测方法，其特征在于，所述步骤S3具体为：根据输入层和输出层单元格数来确定隐含层的单元个数，基于公式其中m为输入层单元个数，n为输出层单元个数，利用试凑法确定误差最小时所对应的节点数。

3.根据权利要求1所述的机械加工表面粗糙度的预测方法，其特征在于，所述步骤S4具体为：随机产生P个神经网络的权值和阈值{xi1,xi2,…xij}，i＝1,2,…,P，j是权值和阈值按照编码方式排列成长度为k(m+n)+n+k的一维数组的字符数，表示权值和阈值初始群种的维数，其中m为输入层单元个数，n为输出层单元个数，k为隐含层单元个数。

4.根据权利要求1所述的机械加工表面粗糙度的预测方法，其特征在于，所述步骤S6具体为：建立所述S个优秀个体{xij,i＝1,2,…,S}的概率分布模型Fj，利用Copula函数进行采样，产生R个服从联合分布函数C的变量u1

7.根据权利要求1所述的表面粗糙度预测方法，其特征在于，选用正态分布作为优秀个体的边缘分布，选用Clayton  Copula函数进行采样。