基于BP神经网络的铝合金流动性和收缩性预测模型的研究
发布时间：2021-02-15 00:00
本文基于BP神经网络,分别建立了铝合金流动性和收缩性预测模型,并基于模型进一步开发了铝合金流动性预测软件和铝合金收缩性预测软件,并利用预测软件分别预测了二元及多元铝合金的流动性和宏观收缩率。在模型建立与优化过程中,将平均MSE、平均R和平均AARE作为BP神经网络模型的性能评价指标,利用全排列组合的方法分别研究了训练算法和传输函数对铝合金流动性预测模型和铝合金收缩性预测模型的影响。结果表明:对于铝合金流动性预测模型和铝合金收缩性预测模型:（1）当仅考虑训练算法的影响时,即传输函数、隐含层神经元数目等参数相同时,采用训练算法“trainbr”或“trainlm”的BP神经网络模型的性能要优于采用训练算法“traingd”、“traincgf”或“trainoss”的BP神经网络模型;（2）当仅考虑传输函数的影响时,即训练算法、隐含层神经元数目等参数相同时,采用传输函数组合“TF1=’tansig’;TF2=’purelin’”或“TF1=’logsig’;TF2=’purelin’”的BP神经网络模型的性能要优于采用传输函数组合“TF1=’tansig’;TF2=’logsig’”或“T...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
流动性随合金元素含量的变化
络通常用于解决组合优化的问题。pagation)神经网络pagation)神经网络即多层前馈式误差反传神经网络，型，在人工神经网络的实际应用中，80%-90%的人工或它的变化形式。BP 神经网络具有多层神经网络结据 Widrow-Hoff 学习规则，采用非线性的传输函数和近任何非线性函数。络基础型P 神经网络模型的基本组成单位，其示意图如图 1-2 所神经元的输出，w 是权值，b 是阈值，f 是传输函数wp+b)。
图 1-3 三层 BP 神经网络结构示意图1.3.2.3 BP 神经网络的训练(a) BP 算法的原理BP 算法属于一种有监督式的训练算法。图 1-4 为 BP 算法的流程图，其主要思想为：对于 q 个输入训练样本：P1,P2,P3…,Pq，已知其对应的目标输出为 T1,T2,T3…,Tq，训练的目的是利用网络的实际输出 A1, A2, A3…, Aq与目标输出 T1, T2, T3…, Tq之间的误差来修正其权值和阈值，使实际输出与目标输出尽可能地接近，即：使网络输出层的均方误差达到最小。BP 算法由两部分组成：信息的正向传播和误差的反向传播。在正向传播过程中，输入信息从输入层经过逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后经过网络将误差信号沿原来的连接通路反向传播回来，修改各层神经元的权值和阈值直至达到期望目标。
本文编号：3034069
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
流动性随合金元素含量的变化
络通常用于解决组合优化的问题。pagation)神经网络pagation)神经网络即多层前馈式误差反传神经网络，型，在人工神经网络的实际应用中，80%-90%的人工或它的变化形式。BP 神经网络具有多层神经网络结据 Widrow-Hoff 学习规则，采用非线性的传输函数和近任何非线性函数。络基础型P 神经网络模型的基本组成单位，其示意图如图 1-2 所神经元的输出，w 是权值，b 是阈值，f 是传输函数wp+b)。
图 1-3 三层 BP 神经网络结构示意图1.3.2.3 BP 神经网络的训练(a) BP 算法的原理BP 算法属于一种有监督式的训练算法。图 1-4 为 BP 算法的流程图，其主要思想为：对于 q 个输入训练样本：P1,P2,P3…,Pq，已知其对应的目标输出为 T1,T2,T3…,Tq，训练的目的是利用网络的实际输出 A1, A2, A3…, Aq与目标输出 T1, T2, T3…, Tq之间的误差来修正其权值和阈值，使实际输出与目标输出尽可能地接近，即：使网络输出层的均方误差达到最小。BP 算法由两部分组成：信息的正向传播和误差的反向传播。在正向传播过程中，输入信息从输入层经过逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后经过网络将误差信号沿原来的连接通路反向传播回来，修改各层神经元的权值和阈值直至达到期望目标。
本文编号：3034069
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3034069.html
