汽车钥匙盖盖注射工艺及模具设计.docVIP

汽车钥匙盖盖注射工艺及模具设计 1、相关定义 1.1、神经网络的基本概念 人工神经元的模型 神经网络由大量的神经元连接而成,因此神经元是组成神经网络的基本单 元。图 2.3 所示为模拟生物神经元而构成的人工神经元的典型结构模型。 图中,x1, x2, ,x n 分别代表来自其它神经元轴突的输入,wj1, wj 2, ... , w jn 分别表示神经元1,2,..., n 与第 j 个神经元突触的联结强度,即权值。正权值表示 兴奋型突触;负权值表示抑制型突触。θ j 为阈值,一般接置固定偏置 +1 。该 模型是生物神经元的一阶近似,只模仿了生物神经元所具有的大约 150 多个功能 中的最基本,也是最重要的三个,即:加权、求和与转移等功能 [43] 。 加权功能 加权功能即对每个输入信号进行程度不等的加权,图 2.3 中对结点 j 输入向 量 [ ] T x=x1 x2 ... x n 的权向量为wj= [wj1 wj 2 ... w jn ] 。 x0 =1 θj yj wj1 wj2 wjn x1 x2 xn sjf( ?) j 图2.3 人工神经元的典型结构模型 14 求和功能 求和功能用于确定结点 j 的全部输入信号的组合效果,即结点 j 的净输入 sj ,可用式( 2.1 )来定义。 ( )j n i sj= ∑wjixi+j= + θ = w jx 1 θ ( 2.1 ) 若令x0 = 1 ,wj0= θ j , x 及w j 包括x 0 及wj 0 ,即: [ ] T x=x0 x1 x2 ... . x n [ ] wj=wj0 wj1 wj2 ... . w jn 于是,结点 j 的净输入s j 又可用式( 2.2 )表达。 = ∑( )=w j x = n i sjwji xi 0 ( 2.2 ) ⒊ 转移功能 转移功能即通过激活函数f( ?) ,确定结点 j 的输出 yj 。 yj =f( s j) ( 2.3 ) 激活函数f(? ) 有以下三种常见形式: 阈值函数 f(s)=???10,, ss ≥ ?≤≤ ? xj 和 xi xi 时,突触权值w ij 增强;而当xj xj 和x i xi 不同时成立时,突触权值 wij 减小。 纠错学习 wij 表示神经元xj 到x i 的突触权值,在学习步骤为 I 时对突触的权值调整为 I i II Δwij= ηe x (2.9) η 为学习速率参数。公式表明对神经元突触权值的调整与突触误差信号和输 入信号成比例。纠错学习是局部的, Delta 规则所规定的的突触调整局限于神经 元 i 的周围。得到Δw iIj 之后,定义突触权值的校正值为: I ij I ij I wij=w+ Δw (2.10) 基于记忆的学习 在基于记忆的学习中,过去的学习结果被存储在一个大的容器中,当输入一 个新的测试向量x test 时,学习过程就是将x test 归到已存储的某个类中,其算法包 括两个部分:定义x test 的局部邻域的标准;用于在x test 的局部邻域训练样本的学 图2.8 单层全连接反馈网络[49] 输入 输出 18 习规则。 一种简单有效的基于记忆的学习算法就是最近邻域规则。设存储器中所记忆 的某一类l 1 含有向量 { } xnx1,x 2 , xN ,如果 ( ) ( ) miindxi,xtest =dxN , xtest 成立, 则x test 属于 l1 类。其中 ( ) dxi , xtest 是向量x i 与x test 的欧式距离。 随机学习算法 随机学习算法也称为 Boltzmann 学习规则,它是由统计力学思想而来的,在 Boltzmann 学习规则基础上设计出的神经网络称为 Boltzmann 机,其学习算法实 质上就是著名的模拟退火 (Simulated Anealing , SA) 算法。 竞争学习 在竞争学习中,神经网络的输出神经元之间互相竞争,在任一时间只能有一 个输出神经元是活性的。而在基于 Hebbian 学习的神经网络中几个输出神经元 可能同时是活性的。 在竞争学习的最简单形式中,神经网络有一个单层的输出神经元,每个输出 神经元都与输入节点全相连,输出神经元之间全互连。对于一个指定输入模式 x ,一个神经元 i 成为获胜神经元,则它的感应局部区域v i 大于网络中其它神经 元的感应局部区域。获胜神经元i 的输出信号y i 被置为 1 ,所有竞争失败神经 元的输出信号被置为 0 。即 yi=???1,νi0, ν 其j ,它j ≠ i (2.11) 令w ij 为输入x j 与某个神经元 i 的突触权值,假设分配给每个神经元固定 数量的突触权重,即w i j ∑ij= 1,对所有 ,如果一个特定的神经元 i