《表2 不同代理模型预测RSF/UC有效杨氏模量和有效剪切模量的精度》

  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

《基于深度学习的短纤维增强聚氨酯复合材料性能预测》

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

为比较各种代理模型的精度，表2给出了二次响应面、SVM、BP神经网络、6个隐藏层CNN（Dropout=0.5）扩充样本前、后代理模型的R2、ERAA、ERAM三个指标在预测RSF/UC的有效杨氏模量E和剪切模量G的表现以及相对应预测模型的参数量大小。可以看出:无论在哪个指标上，CNN模型都完全超过了传统模型，相对于同一个参数量级的BP神经网络模型，CNN精度优势较明显。且在较大复杂度的模型下，经过样本扩充，过拟合得到了较好的控制，模型精度有了较大幅度提升。这种结果主要由于纤维分布图像表现的信息较丰富，而这些信息难以手动完全提取，造成传统模型在一定量样本下达到学习瓶颈，不能继续提高精度，而深度学习能根据图像样本学习所有对结果有影响的微几何特征，随着网络的加深和样本量的扩大，模型预测精度大大提高。