几何误差补偿的动态实现基于神经网络的逼近.docVIP

几何误差补偿的动态实现基于神经网络的逼近 电气与计算机工程系，新加坡国立大学，4工程驱动3，新加坡117576，新加坡机电集团，新加坡的制造技术，新加坡研究院，新加坡电气与计算机工程系，新加坡国立大学，4工程驱动3，新加坡117576，新加坡@ 2003 Elsevier公司保留所有权利。 其中 （C）计算输出层的输出，X21 其中X21是神经网络的输出端。 （D）从隐藏到输出层的权值更新，W根据 的Xd21是 所需的输出（或输出样本），X21是NN的输出。 （E）更新的权重，从输入到隐藏 层，W1j 其中 （F）更新的权重，W1为输入层， 其中。 （G）更新阈值， 其中是增益因子。 培训过程中的终止条件为公式表示为： 式中，l表示的样本数。迭代的权重调谐过程终止时，误差收敛在一个指定的阈值之内。因此，最佳的权重W可以得到。培训通常是在适合的质量和迭代时间的权衡。由于训练过程中可以做到的脱线，更强调可以导出更适合在可接受的牺牲招致微调时间较长。 在此应用中，竞争人工神经网络的训练的设置为原始数据被收集，使用激光干涉。在一般情况下，从双向运行的平均值计算任何随机的影响所产生的影响减到最小。要应用的算法，所有的错误，如线性，角度，平直度和垂直度误差，都必须在近似表明单独使用竞争人工神经网络和随后使用整体由（1）和（2）所示，在给定的误差模型