精选基于神经网络的正交设计.docVIP

基于神经网络的正交设计 苇2期(总摹107期) 2000丰6月 山西机械 SHANXIMACHn旺RY No.2 Jun. 吕志全,张耀庭l,许步勤 ———— —一 ————, (1.太原理工大学,山西太厚0300242.山西厚平j茛压机械厂,山西厚平0341O0) 囊要:在MatLabS.1环境下 技术的重要意义. 对基于神经网络的等水平正交设计的具体过程进行了分析和实现并阐述了这一 关t调:网络产品设计误差 中野}粪号:TP183——_献标识码:A 引言 现代产品设计已从单纯靠生产过程和产品检验 (被动的和防御的)保证性能发展到了产品的性能设计 (主动的),随之产生了现代稳健设计,并行设计,立 体正交设计和产品全生命周期设计等设计方法.基于 神经网络的正交设计有助于立体正交设计的快速发 展,同时从另—个方面对产品全生命周期设计方法进 行了解释和开拓. 1 正交表是试验设计的基本工具,它是根据均匀分 布的思想,运用组合数学理论构造的一种数学表格.通 常等水平正交表写成L),其中n表示正交表的行 数,或部分试验的组合处理数,即用正交表安排实验 时应实施的试验次数;b表示正交表同一列中出现的 不同数字个数,或因素的水平数,不同的数字表示因 素的不同水平;c表示正交表的列数,或正交表最多能 安排的因素数.如表2所示的厶(2.)正交表.21] 神经网络由许多并行运算的简单单元组成,这些 单元类似于生物神经系统的单元,它是一个非线性动 力学系统,特色在于信息的分布式存储和并行协同处 理.和数字计算机相比,神经网络系统具有集体运算 的能力和自适应的学习能力,还具有很强的容错性和 鲁棒性,善于联想,综合和推广.[2] 1.1网络模型的选择 神经网络模型各种各样.各种各样的模型从不同 的角度对生物神经系统进行不同层次的描述和模拟. 代表性的网络模型有感知器,多层映射BP网络,RBF 网络,双向联想记忆(BAM),Hopfield模型等这些 网络模型的输入向量都可为矢量,则相应的样本向量 也为矢量;而有些网络模型的输入向量可为矩阵,如 BP网络和RBF网络等,同时样本向量就必须为矩阵. BP网络和RBF网络模型经过各国学者多年的研 究和应用,已趋于完善和成熟,成功地解决了许多科 学和工程问题,但目前它们的库函数imffo,T~ainbp (),Tzainbpx(),nainlm(),solberbe(),Solberb(), Sinmff()和Simurb()仅能用来生成,训练和仿真不超 过2层的网络模型.而且,基于神经网络的正交设计 时,正交表中的数据(包括不同的因素,不同的水平 和在不同的因索水平组合下所产生的试验数据)必需 全部传递给神经网络模型,这样,神经网络输入样本 向量必须是包括因素与水平的矩阵,同时输出目标向 量也必须构造为矩阵., 鉴于以上原因,笔者在基于神经网络的正交设计 时,选用BP网络或RBF网络模型,且具体的网络模 型见图1.该模型包括输入层,隐层(中间层)和输出 层.输入层由输入样本矩阵P组成,隐屡包括S1个 神经元,输出层的目标矩阵为A1. 1.2隐层和输出层传递函数的选用 由图2传递函数图可知,Radba~()函数的输值 可取任意值,输出值在0和+1之间;TamigO函数的 输入值可取任意值,输出值在一1和-I-1之间;Purelin ()函数的输入值可取任意值,输出值也可取任意值. 收穑日期:2000-03.20 作者简介:昌志全(1975一).男,山西忻州人,太原理工大学在读研究生F张耀庭(1964一),男,山西原平人.工程师,奉科}许步勤(194C~). 男,山西太原人.教授. Z000年第2相吕志全等:基于神蛀网培的正吏设计?23? 因此,如果BP网络的最后一层是Radbas和Purelin 型神经元,那么整个网络的输出就被限制在—个较小 的范围内;如果BP网络的最后一层是Purelin型线性 神经元,那么整个网络的输出可以取任意值. 所以,隐层传递函数选为RadbasO或TansigO, 输出层传递函数选为PurelinO. 1.3训练函数的选择 在实际应用中,原始的BP网络算法很难胜任, Trainbp0函数存在着一定的缺陷.笔者利用Trainbp ()函数对图1所示网络结构代入表2所示的正交表数 圉1网络结构田 radbas(n)a.tansig)Bpurelin) 圈2传递函数圉[目 据,进行生成和训练网络时,网络通常不能达到常用 的误差指标(EG=0.002~0.98),因此必须使用很多 的改进算法和优化函数. BP网络算法的改进主要有两种途径,一种是采用 启发式学习方法,另一种是采用更有效的优化算法.如 Trainbpx()采用动量法和学习率自适应调整两种策 略,从而提高了学习速度并增加了算法