《表4 零件1基于改进的BP神经网络的输出和识别结果》

  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STEP和改进神经网络的STEP-NC制造特征识别方法》

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

最后，采用改进的BP神经网络进行特征识别。根据表1中边和环的权重及式（1）计算最小子图各个面的得分，可得到BP神经网络的输入，如表2所示。在MATLAB中分别采用基于遗传算法的BP神经网络[28]和本文提出的改进的BP神经网络对该零件进行特征识别，图11和图12是以上两种算法样本训练的误差收敛曲线，由图可知基于遗传算法的BP神经网络在经过1 000次的训练以后还是没有达到要求的精度，而基于改进的BP神经网络在迭代437次训练后就寻找到了最优解，收敛速度快，解的精度高。两种网络的输出和识别结果如表3和表4所示。由表3和表4的结果可知，基于遗传算法的BP神经网络识别结果中孔的识别出错，被识别成了台阶，而基于改进的BP神经网络识别的结果全部正确。而且，在该实例中，槽特征和孔特征相交，证明改进的BP神经网络可以准确地识别相交特征。另外，改进的BP神经网络在Windows 7操作系统和CPU为2.70GHz、内存为4G的计算机环境下，耗时0.009s，效率高，零件1特征识别界面如图13所示。