研究了人工神经网络在矿渣微晶玻璃材料设计中的应用。采用基于变尺度法的新学习算法建立了三层前馈型神经网络,发现当网络结构为M-2M-1,取一定范围内的学习误差时,网络具有很好的学习效果。研究证明,建立的人工神经网络模型学习速度快,收敛稳定,强壮性好,能根据较少的实验样本有效抽取矿渣微晶玻璃组成、工艺和性能之间的内在规律,是进行微晶玻璃材料设计的有力工具。
Artificial neural network was introduced into slag glass-ceramic material designing. A 3 layers feedforward network was built with a new robust learning algorithm,
based on a concept of “entire error modifying”. The network has a excellent learning ability when its topology is M-2M-1 and
an appropriate study error chosen. The research results show that this slag glass-ceramic neural network is robust, quick and stable in training
and data predicting, which can disclose the relationship of elemental compositions, structure and material properties of slag glass-ceramic
effectively, even if some parameters are absent in samples.
参考文献
[1] | 潘守芹. 新型玻璃. 上海: 同济大学出版社, 1992. 73--74. [2] 胡守仁, 余少波, 戴葵. 神经网络导论. 长沙: 国防科技大学出版?社, 1993. 1--7. [3] 施欣. 计算机科学, 1991, (3): 70--74. [4] 韦江维, 胡华安, 何华辉. 材料导报, 1996, (5): 5--7. [5] 刘信安, 罗彦凤, 王镛先. 计算机与应用化学, 1999, 6 (3): 175--180. [6] 文岐业. 矿渣微晶玻璃神经网络专家系统研究, 南宁: 广西大学, 2001. 5. [7] 赵林明, 胡浩云. 多层前向人工神经网络, 郑州: 河南水利出版社, 1999. 1--8. [8] 李孝安, 张晓绩. 神经网络与神经计算导轮. 西安: 西北工业大学出?版社, 1994. 34--36. [9] Dayhoff J E. Neural Network Architectures: A Introduce, Van Nowtrand Reinhold, MA, 1990. [10] 张星昌. 控制与决策, 1997, 12 (3): 213--216. [11] 国外矿渣微晶玻璃资料汇编(1). 国家建委建材科学研究所技术情报?所, 1973. 133--136. [12] 矿渣微晶玻璃的生产与应用(下). 国家建筑材料工业局蚌埠玻璃工业设计?院信息中心, 1994. 71--74. |
- 下载量()
- 访问量()
- 您的评分:
-
10%
-
20%
-
30%
-
40%
-
50%