《表4 5个样本点处BP神经网络近似模型模拟结果与有限元计算结果对比》
近似模型方法是通过建立数学模型来逼近输入变量和输出变量之间关系的方法。人工神经网络的非线性映射能力强[13],适用于构建设计变量较多的模型[14]。本文采用MATLAB中的反向传播(back propagation,BP)神经网络,对试验设计中得到的样本点进行拟合。由表1可知各设计参数的值并非为同一个量级,为了防止在BP神经网络训练中可能出现训练过度的现象,需要对输入参数和输出参数作归一化处理[15],本文采用的归一化处理方式为mapminmax函数。经过多次测试验证,搭建了一个由13个节点的输入层、2层隐含层及7个节点的输出层构成的BP神经网络,即13×22×10×7的BP神经网络。2个隐含层均采用Tansig(S型正切函数),输出层采用Purelin(纯线性函数),模型中训练次数为2 000次,目标最小误差为10-6,学习速率为0.01。为了验证BP神经网络近似模型精度是否满足要求,随机选择了5个样本点,得出的验证结果如表4所示。
图表编号 | XD0019442300 严禁用于非法目的 |
---|---|
绘制时间 | 2018.10.28 |
作者 | 唐林、许志沛、贺田龙、敖维川 |
绘制单位 | 西南交通大学机械工程学院、西南交通大学机械工程学院、西南交通大学机械工程学院、西南交通大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |