《表3 不同浇注工艺参数下AZ91镁合金的晶粒尺寸测量值Tab.3 Measured values of grain size of AZ91 magnesium alloy under differ

  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PSO-BP神经网络的汽车用铸造AZ91镁合金晶粒尺寸的预测》

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

由于AZ91镁合金适应的晶粒尺寸与浇注温度和冷却方式的关系是典型的非线性模型，为了更好地对其进行研究，本文引入了BP神经网络的相关思想，将表3中的部分数据作为训练样本，并构建BP神经网络模型。通过训练样本对模型进行训练以获得可以用于预测的成熟的BP神经网络，再用表3中剩余的样本对其精度进行检验。本文构建的模型的输入单元为浇注温度和冷却方式，即输入单元数为2；输出单元为晶粒尺寸，即输出单元数为1。本文采用枚举法来选择中间层单元数目，根据公式 （p为隐含层神经元数目，n为输入层神经元数目，m为隐含层神经元数目，l为0～10之间的自然数。）可知中间层单元数目为2～12之间的整数。通过计算每一个数值对应的网络的均方误差（MSE）可以发现当p=4时，整个网络的均方误差（MSE）最低。因此，确定本文的BP神经网络为2-4-1结构，如图2所示。设定本文的中间层激活函数均为双曲正切函数（tansig函数），输出层的激活函数为线性函数（purelin函数），目标误差取0.0001。