针对误差反传(BP)人工神经网络在海水腐蚀预测建模中的样本数量有限和隐含层单元数难以确定的问题,提出了结合使用自组织特征映射(SOM)网络和径向基函数(RBF)人工神经网络方法预测海水腐蚀速度.首先采用SOM对样本进行分类,再使用RBF进行样本训练和建模,并对A3钢和16Mn钢的海水腐蚀速度进行了预测.结果表明,该方法能够增强了网络局部泛化能力,提高了预测精度和计算速度.
参考文献
| [1] | 张乃尧,阎平凡.神经网络与模糊控制[M].北京:清华大学出版社,2000.48. |
| [2] | 刘学庆,唐晓,王佳.3C钢腐蚀速度与海水环境参数关系的人工神经网络分析[J].中国腐蚀与防护学报,2005,25(1):11. |
| [3] | 孔德英,宋诗哲.人工神经网络技术探讨碳钢、低合金钢的实海腐蚀规律[J].中国腐蚀与防护学报,1998,18(4):289. |
| [4] | 崔大为,林乐耘,赵月红.应用人工神经网络预测有色金属海水腐蚀的长期行为[J].中国腐蚀与防护学报,2004,24(1):29. |
| [5] | 唐晓,王佳,李焰.海水流动对A3碳钢腐蚀速度的影响[J].海洋科学,2005,29(7):26. |
| [6] | 王光雍,王海江,李兴滹,等.自然环境的腐蚀与防护-大气·海水·土壤[M].北京:化学工业出版社.1997.90. |
| [7] | 王杰,闫东伟.提高预测精度的ELMAN和SOM神经网络组合[J].系统工程与电子技术,2004,26(12):1993. |
| [8] | 刘学庆.海洋环境工程钢材腐蚀行为与预测模型的研究[D].青岛:中国科学院海洋所,2005.63. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%