本文基于BP神經(jīng)網(wǎng)絡(luò),分別建立了鋁合金流動(dòng)性和收縮性預(yù)測(cè)模型,并基于模型進(jìn)一步開發(fā)了鋁合金流動(dòng)性預(yù)測(cè)軟件和鋁合金收縮性預(yù)測(cè)軟件,并利用預(yù)測(cè)軟件分別預(yù)測(cè)了二元及多元鋁合金的流動(dòng)性和宏觀收縮率。在模型建立與優(yōu)化過程中,將平均MSE、平均R和平均AARE作為BP神經(jīng)網(wǎng)絡(luò)模型的性能評(píng)價(jià)指標(biāo),利用全排列組合的方法分別研究了訓(xùn)練算法和傳輸函數(shù)對(duì)鋁合金流動(dòng)性預(yù)測(cè)模型和鋁合金收縮性預(yù)測(cè)模型的影響。結(jié)果表明:對(duì)于鋁合金流動(dòng)性預(yù)測(cè)模型和鋁合金收縮性預(yù)測(cè)模型:（1）當(dāng)僅考慮訓(xùn)練算法的影響時(shí),即傳輸函數(shù)、隱含層神經(jīng)元數(shù)目等參數(shù)相同時(shí),采用訓(xùn)練算法“trainbr”或“trainlm”的BP神經(jīng)網(wǎng)絡(luò)模型的性能要優(yōu)于采用訓(xùn)練算法“traingd”、“traincgf”或“trainoss”的BP神經(jīng)網(wǎng)絡(luò)模型;（2）當(dāng)僅考慮傳輸函數(shù)的影響時(shí),即訓(xùn)練算法、隱含層神經(jīng)元數(shù)目等參數(shù)相同時(shí),采用傳輸函數(shù)組合“TF1=’tansig’;TF2=’purelin’”或“TF1=’logsig’;TF2=’purelin’”的BP神經(jīng)網(wǎng)絡(luò)模型的性能要優(yōu)于采用傳輸函數(shù)組合“TF1=’tansig’;TF2=’logsig’”或“T... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：109 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

流動(dòng)性隨合金元素含量的變化

絡(luò)通常用于解決組合優(yōu)化的問題。pagation)神經(jīng)網(wǎng)絡(luò)pagation)神經(jīng)網(wǎng)絡(luò)即多層前饋式誤差反傳神經(jīng)網(wǎng)絡(luò)，型，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%-90%的人工或它的變化形式。BP 神經(jīng)網(wǎng)絡(luò)具有多層神經(jīng)網(wǎng)絡(luò)結(jié)據(jù) Widrow-Hoff 學(xué)習(xí)規(guī)則，采用非線性的傳輸函數(shù)和近任何非線性函數(shù)。絡(luò)基礎(chǔ)型P 神經(jīng)網(wǎng)絡(luò)模型的基本組成單位，其示意圖如圖 1-2 所神經(jīng)元的輸出，w 是權(quán)值，b 是閾值，f 是傳輸函數(shù)wp+b)。

圖 1-3 三層 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖1.3.2.3 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練(a) BP 算法的原理BP 算法屬于一種有監(jiān)督式的訓(xùn)練算法。圖 1-4 為 BP 算法的流程圖，其主要思想為：對(duì)于 q 個(gè)輸入訓(xùn)練樣本：P1,P2,P3…,Pq，已知其對(duì)應(yīng)的目標(biāo)輸出為 T1,T2,T3…,Tq，訓(xùn)練的目的是利用網(wǎng)絡(luò)的實(shí)際輸出 A1, A2, A3…, Aq與目標(biāo)輸出 T1, T2, T3…, Tq之間的誤差來修正其權(quán)值和閾值，使實(shí)際輸出與目標(biāo)輸出盡可能地接近，即：使網(wǎng)絡(luò)輸出層的均方誤差達(dá)到最小。BP 算法由兩部分組成：信息的正向傳播和誤差的反向傳播。在正向傳播過程中，輸入信息從輸入層經(jīng)過逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，如果在輸出層沒有得到期望的輸出，則計(jì)算輸出層的誤差變化值，然后經(jīng)過網(wǎng)絡(luò)將誤差信號(hào)沿原來的連接通路反向傳播回來，修改各層神經(jīng)元的權(quán)值和閾值直至達(dá)到期望目標(biāo)。


本文編號(hào)：3034069