《表3 各模型平均预测误差》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于径向基函数神经网络和NSGA-Ⅱ的气保焊工艺多目标优化》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将表2中后11组试验（序号28～38）用于测试模型性能，5种模型预测熔宽、余高和熔深的平均误差如表3所示．因为BP神经网络和GA-BP神经网络需要初始化权值和阈值，因此建模过程存在随机性，往往需要多次尝试才能获得满意的结果．而与BP神经网络和GA-BP神经网络相比，克里金插值法、RBF神经网络和回归模型则无需多次建模，具有更好的建模稳定性和可重复性．由表3可知，RBF神经网络对熔宽和熔深的预测平均误差最小，分别为4.12%和5.02%．在预测余高时，RBF神经网络也表现出良好的预测精度，其3.35%的平均误差为所有预测模型中第2优．另外，与平均预测性能表现同样良好的回归模型相比（如图3所示），把每组预测的熔宽、余高和熔深相对误差整体当作考察对象，发现RBF神经网络对焊缝3种几何特征的预测只有1组试验中的预测相对误差大于10%，而回归模型却有8组，因此RBF神经网络对每次试验结果的预测能力波动更小、更稳定．综上，考虑建模过程的稳定性、预测精度和预测稳定性，RBF神经网络是最合适的预测模型．