自动化相关算法.docxVIP

（熊伟 胡守一 杨煜） 2.神经网络及其学习算法 一般著名的神经网络结构多层前馈网络。在我们的研究中一个三层的神经网络主要采取预测模型。网络由一个输入层，隐藏层，和一个输出层组成。每一层是由多个节点组成。图1显示了用于我们的研究中的最基本的三层神经结构模型。sigmoid函数被用作节点的传递函数的神经模型。在所有的研究中误差反向传播（BP）算法规则通过网络的训练过程。这BP算法的主要步骤,可以概括如下(Kaotanzad等，1995): 步骤1:初始化所有重量(ωij)小范围随机值。 步骤2: 目前的一个输入模式，并指定所需的输出。 步骤3:使用的ωij的现值计算输出。 步骤4: 查找所有节点，误差项，δij。如果dj，Oj 和Yj表示第j个输出节点所需的值,其计算值第j个输出节点,其计算值为第j个隐藏层节点, 误差可以计算如下： 对于一个输出节点 (1) 对于一个隐藏的节点, (2) 其中k是在节点j层以上的所有节点。 步骤5:调整权重 (3) 在n + 1、n、n -1指标下, 分别是现在和以前的迭代编号,。Xi是节点j的第i个输入信号。如果j是一个输出节点,则Xi=Yi。α是学习率。这是步长梯度搜索算法。ζ是一个介于0和1之间的常数这就决定过去的体重变化的影响当前重空间中的运动方向。这提供了一种动量,有效过滤掉高频变异错误的表面。 步骤6: 提出另一个输入，并回到步骤2。 所有训练输入状况投入，循环，直到指标的权重稳定了。 图1 神经网络模型的结构 3.模拟 在我们的研究中,293 Epitech科技有限公司提供的数据被用于研究和模拟。为了证明可行性，对所提出的神经网络模型,三个数据集,名叫Set-1,Set-2和Set-3从原始数据集中随机重组。对于每个数据集,196数据被用来训练和97的数据用于测试。平均绝对误差(MAE)和平均绝对百分比误差(MAPE)被视为测量性能所有型号。表1显示数据的例子模拟。 表1 数据的例子模拟 LED芯片三光电属性,包括波长,强度和正向电压,进行了预测。详细模拟介绍如下。 3.1.预测波长 在这项研究中,6-5-1号神经网络模型用于所有实验。学习率α= 0.1，动量ζ= 0.3采用神经网络模型。输入和输出被列为, 输入:配???,DBR和Wde 输出:Wde 在输入,利用四个数字编码。编码的数字显示在表2。DBR的是分布式Bragg反射类型。WDE是波长的测试值在外延生长阶段的EL。在这项研究中,预测的结果MAEs 中Set-1,Set-2和Set-3分别为0.2792,0.2830和0.31222。 他们的MAPEs率分别为0.047%、0.048% 和0.052%。图2-4描绘的叠加曲线和实际这三个数据集预测的波长。 表2 配方代码 3.2.强度的预测 在这项研究中,8-5-1号神经网络模型被用于所有的实验。采用该模型学习率α= 0.2，动量ζ= 0.3、。列出的输入和输出如下, 输入:配方,DBR,Iν20, Iν100和Wde 输出: Iν 在输入、Iν20和 Iν100测试分别通过使用电流强度20mA和100mA。在外延生长阶段获得了两个值。在这项研究中,MAEs预测中Set-1,Set-2和Set-3分别为4.0598,4.0120和4.2340。他们的MAPEs分别为3.94%,3.68%和3.96%。 如图5 – 7所示。叠加曲线的实际和预测的强度对于这三个数据集。 3.3. 提出的预测电压 在这项研究中,7-5-1号神经网络模型被用于所有的实验。学习率α= 0.2，动量ζ= 0.3。神经网络模型的输入和输出被列为, 输入:配方,Wde,Vf20和Vf100 输出:Vf 在输入,Vf20和Vf100测试正向电压分别使用电流20mA和100mA。两个值分别给出了在外延生长阶段。在这项研究中,预测的结果MAEs中 Set-1,Set-2和Set-3分别为0.0089,0.0092为0.0106。 他们的MAPEs分别为0.44%,0.45%和0.52%。 图2 叠加的实际预测曲线波长的Set-1(实线:实际价值,虚线:预测值) 图3 叠加的实际预测曲线波长的Set-2(实线:实际价值,虚线:预测值) 图4 叠加的实际预测曲线波长的Set-3(实线:实际价值,虚线:预测值) 图5 曲线叠加的实际预测的Set-1强度(实线:实际价值,虚线:预测值) 图6 曲线叠加的实际预测的Set-2强度(实线:实际价值,虚线:预测值) 图7 曲线叠加的实际预测的Set-3强度(实线:实际