《表7 液压阀芯表面粗糙度Ra预测结果》
提示：宽带有限、当前游客访问压缩模式
由图5可以看出，在相同迭代次数的情况下，GA-BP神经网络训练误差更小。采用BP神经网络算法和GA-BP神经网络算法对液压阀芯表面粗糙度进行预测，结果见表7。
| 图表编号 | XD0036161500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.02.20 |
| 作者 | 王栋梁、秦娟娟、孙永吉 |
| 绘制单位 | 兰州工业学院工程训练中心、兰州工业学院机电工程学院、兰州工业学院工程训练中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 刀具磨损过程与已加工表面粗糙度Ra的关系》2020.10.10
- 《表4 表面粗糙度BP神经网络预测模型预测结果和实验结果的对比》2021.01.01
- 《表1 不同砂纸打磨和抛光后GCr15试样对应的表面粗糙度(Ra)》2021.01.15
- 《表6 刀具参数影响试验表面粗糙Ra测量值》2020.08.01
- 《表4 切削参数影响表面粗糙度Ra测量值》2020.08.01
- 《表3 工件表面粗糙度Ra检测结果》2020.04.02
- 《表2 齿面各点表面粗糙度Ra》2019.12.15
- 《表6 实测记录Ra：基于白光干涉仪的轴尖表面粗糙度检测技术研究》2019.12.25
- 《表6 激光淬火前后阴阳线表面粗糙度值（Ra）变化》2019.12.15
- 《表8 车刀结构交互作用得到的表面粗糙度Raμm》2019.12.10
- 《表2 各试件的表面粗糙度Ra测量结果》2019.11.30
- 《表4 表面粗糙度Ra的信噪比（RSN）效应表》2019.10.20
- 《表2 不同转速下抛光后的表面粗糙度Ra值》2019.09.25
- 《表1 试件表面粗糙度Ra值实测数据》2019.06.08
- 《表2 模拟Ra对比表：基于MATLAB图像处理的铸造表面粗糙度测量方法》2019.04.10
- 《表2 各组试件表面粗糙度Ra值 (μm)》2019.02.15
- 《表4 超声车削液压阀芯表面粗糙度试验结果》2019.02.20
- 《表3 试验因素与水平：液压阀芯超声切削表面粗糙度的试验与预测》2019.02.20
- 《表3 胶辊磨砺往复次数与表面粗糙度Ra值的关系》2018.01.30
- 《表3 分离膜的表面平均粗糙度（Ra）、平均孔径（rm）和孔隙率（ε）》2019.12.05