欢迎登录材料期刊网

材料期刊网

高级检索

将Gd、Ce、Nd、Sm稀土氧化物的加入量作为输入,钛酸钡陶瓷材料介电常数及介电损耗作为输出,建立了BP神经网络模型,网络以traingdx函数作为学习训练函数,选取部分实验数据作为学习样本对网络进行了训练,最终得到了满意的性能预测值.

参考文献

[1] 刘艳侠,高新琛.BP神经网络在材料领域中的应用(综述)[J].辽宁大学学报(自然科学版),2007(02):116-119.
[2] Air Force Research Laboratory .Neural network accelerate materials design[J].Current Advances in Materials and Processes,2000,157(01):45.
[3] 徐建林,王智平.材料设计中的BP神经网络技术[J].宇航材料工艺,2003(02):22-25.
[4] 曾令可,罗民华,童晓濂,王慧,曾钧.BP神经网络对陶瓷材料烧结性能预测的研究[J].材料导报,2002(02):63-65.
[5] 唐斌,张树人,周晓华,李波,冯小东.BaTiO3陶瓷中Gd、Ce的掺杂效应研究[J].功能材料与器件学报,2006(05):404-408.
[6] 曾令可;叶卫平.计算机在材料科学与工程中的应用[M].武汉:武汉理工大学出版社,2004:219.
[7] 周开利;康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005:90.
[8] 张长强,张勤河,张卫云,刘倩,杨金勇.人工神经网络在多相工程陶瓷材料设计中的应用[J].机械工程材料,2005(02):4-5,29.
[9] 尹海莲,胡自力.基于BP神经网络的复合材料性能预测[J].南京航空航天大学学报,2006(02):234-238.
[10] 飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计[M].北京:电子工业出版社,2002:64.
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:
  • 1
    0%
  • 2
    0%
  • 3
    0%
  • 4
    0%
  • 5
    0%