78、智能神经网络在微电铸预测及交通灯系统设计中的应用

智能神经网络在微电铸预测及交通灯系统设计中的应用

智能神经网络在微电铸预测中的应用

反向传播网络原理

反向传播网络作为一种监督学习网络，首先使用由已知输入和输出向量组成的训练集进行训练。它基于理论计算和/或实验测量的现有数据库，学习输入和输出向量之间的非线性关系。这种非线性关系可以用节点之间的连接权重和每个节点的偏置来表示。在训练过程中，使用反向传播学习规则来调整网络的权重和偏置，以最小化网络的均方误差和。当呈现某些未经验证的输入向量时，经过训练的反向传播网络可以为这些新情况轻松预测合理的输出向量。

神经网络的建立与训练

本研究通过使用近藤数据库进行训练，建立了三个智能反向传播神经网络，以预测不同参数 Pe（1.31 - 41.6）和不同腔体宽度 a（15 - 150μm）下阴极表面质量分数 Sh/Shmax 的分布。训练集来自近藤的研究结果。训练质量可以使用均方误差（SEE）或平均均方根误差（RMS）来确定，计算公式如下：
[SSE = \sum_{i = 1}^{n}\sum_{j = 1}^{m}(T_{ij}-P_{ij})^2]
[RMS=\frac{1}{\sqrt{m\cdot n}}\cdot\sqrt{SSE}]
其中，m 表示训练对的数量，n 表示输出节点的数量，T 表示目标值，P 表示相关神经网络的预测值。

不同网络参数对训练质量的影响

1. 隐藏节点数量 ：增加隐藏节点数量通常会降低平均 RMS 误差，但当隐藏节点数量增加到一定临界值时，会导致网络结构过于复杂，从而增加训练误差，同时需要更大的存储空间和更长的计算时间。在当前情况下