人工神经网络医学课件.ppt

Contents 综述 复合材料棒材半固态挤压工艺参数的神经网络预测方法 神经网络预测模型的建立 建立神经网络预测模型 预测结果 氧化铝纤维增强锌铝基复合材料摩擦性能的神经网络模型 神经网络 神经网络算法 神经网络的训练 神经网络的训练及结果 神经网络的训练及结果 使用神经网络预测铝铜基复合材料的密度、孔隙率、硬度 神经网络建模 网络结构 神经网络的训练与评估 神经网络预测结果 基于BP神经网络和统计技术对Al–SiC粉末冶金复合材料加工性能的分析 BP神经网络 神经网络 结果与讨论 预测值与实验值的比较 精加工复合材料表面粗糙度的神经网络模型 实验设计与过程 表面粗糙度分析 ANN模型 ANN模型 ANN模型预测结果 基于BP神经网络的复合材料失效分析 BP神经网络的输入输出 BP神经网络的结构优化 BP神经网络的结构优化 BP神经网络的训练 采用BP神经网络进行预测 总结 参考文献 通过使用上述算法对神经网络进行训练，神经网络可 以获得更低的误差平方和、更少的迭代步数。 在现在的工作中测试了tan sigmoidal 和 log sigm- oidal传递函数但二者的差别较小，由于tan sigmoidal 函 数具有对称的性质，因此选其作为传递函数。 在该模型中，有五个输入变量和一个响应变量。因此输 入层有五个神经元，输出层有一个神经元。而隐藏层的神 经元个数通常视模型而定。因此，对不同的隐藏层神经元 个数进行测试，发现当隐藏层具有8个神经元时，预测精度 较高，因此选取隐藏层神经元个数为8个。 图4 粗糙度预测值与实验值之间的比较 所建立的神经网络相关系数为0.997，平均绝对误差为10.4%。 从上图可以看出，所建立的神经网络模型具有较高的预测精度。 复合材料构件在结构中承受复杂应力状态,比较传统的各向同性材料,复合材料的失效过程要复杂的多,存在着很多不同的失效模式。在复杂应力状态下,复合材料的失效分析是比较困难的。最近几十年有着重大发展的人工神经网络模型由于其自身的优越性能而广泛应用于复合材料领域。 1 BP神经网络的实行 BP神经网络的结构(特别是隐层神经元数)对网络的性能有着重要的影响。此外,各个层的传递函数以及训练算法都对网络的训练有所影响.应用BP神经网络解决实际问题的主要步骤为: 1)收集实验数据,且对实验数据进行归一化处理; 2)训练网络并通过评估之后对其结构进行优化; 3)通过训练数据训练神经网络; 4)使用已经训练好的神经网络进行预测。 BP神经网络的输入数据需要的是反映数据关系中的主要矛盾,因而在选择网络的输入和输出时需要仔细斟酌。在此,选择单层复合材料层压板的几何参数和失效参数,以及实验失效应力作为输入,将试验中另外方向的失效应力作为输出,输入和输出参数详见下表: 复合材料的失效曲线的典型曲线如图1所示。从图中可以看到,复合材料的失效包络线分为上、下两部分,每个试验数据都可能对应两个输出参数,这就大大降低了神经网络的泛化能力,影响了其性能。为了解决这个问题,我们将数据分为上下两组,分别设计不同结构的神经网络,提高其预测性能。 BP神经网络的结构对其性能有着重要的影响。根据Kolmogorov的理论,任何方程都可以用不超过四层的网络进行估计。根据经验,隐层神经元个数可以通过以下两式得到: 结构优化时,需要对网络进行预训练,然后评价网络的训练结果以便选择最优的网络结构。为此,对网络的误差采用平均相对误差进行估算,作为网络评价的指标。 其中:M为网络重复训练的次数;N为每次训练样本个数;Op(i)为网络的预测值;Oi为目标值。 R值反映了网络对多次样本数据的预测值和目标值之间的相对差距。 R值越小,表明网络的误差输出越小,网络的整体性能越好。R值统计的显示了网络的性能,作为选择网络结构的重要依据。 分别选取不同的网络结构,随机选取100组数据进行泛化和检验,对比的结果详见图2。对比各个不同网络的泛化能力,因而模拟上部神经网络采用的结构为6-[6-4]-1,下半部分神经网络的结构为6-[2-5]-1。 结构优化之后的神经网络其预测已经有了质的提高,但是其具体表现还要受到选择的样本训练数据的影响。为了能够让网络预测能力更上一层楼，随机抽取多个训练样本集对其进行训练。通过对比由不同训练样本集训练出的网络的预测值和目标值之间的差距得到训练最好的网络。再引入评价网络训练性能参B，其表达式为: 其中:Op(i)为第i次的预测值;O(i)为第i次的目标值;Oave为(i)的平均值。B值比较准确的估计了每次训练网络之后的预测能力。B值越大,说明预测值和目标值之间的差距越小,数据的拟合度越好。 经过结构