2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩82頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著激光加工技術在實體制造業(yè)中的深入發(fā)展,激光加工方法和工藝參數(shù)的組合模式越來越復雜,最優(yōu)工藝參數(shù)的探索難度也越來越大。本文以如何能快速、準確、經(jīng)濟地尋找最優(yōu)的激光工藝參數(shù)為目的,在研究反饋型神經(jīng)網(wǎng)絡(BackProragation,BP)和遺傳算法(Gentic Algorithm,GA)理論的基礎上,將二者改進、結合,應用于激光加工工藝參數(shù)的優(yōu)化中,并實現(xiàn)了改進后形成的GA-BP混合算法計算機編程以及激光工藝參數(shù)優(yōu)化軟件開發(fā)。本課題

2、中,主要的研究工作有以下幾個方面:
  第一,介紹了BP神經(jīng)網(wǎng)絡算法和傳統(tǒng)GA-BP算法的基本理論,并深入分析了它們在計算尋優(yōu)過程中存在的缺陷問題。然后,本文在傳統(tǒng)GA-BP算法的基礎上,分別對其BP神經(jīng)網(wǎng)絡算法模塊和遺傳算法模塊進行了改進,具體改進為:
  1) BP神經(jīng)網(wǎng)絡算法模塊
  為了克服隱含層神經(jīng)元在訓練過程中因過早飽和輸出而使整個訓練過程失效,本文采用了一種新型的誤差函數(shù);本文還在輸出層神經(jīng)元的權值、閾值

3、調整公式的基礎上,添加了一個放大因子,目的是為了避免神經(jīng)網(wǎng)絡因訓練停滯而導致權值、閾值不再調整;此外,相對與傳統(tǒng)的“單樣本訓練”策略,本文采用的是“批量訓練”的方法,因為這種方法更能客觀地反映出樣本數(shù)據(jù)間存在的關系。
  2)遺傳算法模塊
  傳統(tǒng)的輪盤賭選擇策略是基于染色體串適應度比來進行的,并不能體現(xiàn)被選中的染色體串機會均等的原則,因此本文采用了改進后的基于非線性排序的輪盤賭選擇策略;為避免染色體串在交叉、變異操作過程中

4、因遺傳操作算過大或過小,而破壞原本良好的尋優(yōu)收斂趨勢,本文采用了自適應交叉率和自適應變異率;此外,為了進一步提高遺傳算法的收斂速度,還在遺傳算法中添加了“最優(yōu)保存策略”和“爬山算法”。
  第二,采用C語言編程實現(xiàn)了神經(jīng)網(wǎng)絡模型結構可以動態(tài)調整的GA-BP算法和GA-BP混合算法,并通過溫度控制下的激光淬火實驗數(shù)據(jù)對神經(jīng)網(wǎng)絡模型進行訓練來比較GA-BP算法和GA-BP混合算法的訓練性能。經(jīng)對比得出:改進的GA-BP混合算法的訓練速

5、度要明顯優(yōu)于傳統(tǒng)的GA-BP算法,提高了約80%左右;并且,預測的激光工藝數(shù)據(jù)也較為精確,平均相對誤差為2.035%,滿足實際要求。這些,充分證明了改進的GA-BP混合算法的合理性和有效性。
  第三,為提高本課題研究成果的工程應用價值,本文根據(jù)人工神經(jīng)網(wǎng)絡處理數(shù)據(jù)的兩個步驟——訓練和預測,利用Labwindows/Cvi軟件開發(fā)平臺分別開發(fā)了兩款配合使用的激光工藝神經(jīng)訓練系統(tǒng)和激光工藝預測客戶端系統(tǒng)。并通過對兩款軟件的性能測試,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論