基于RBF神经网络预测接头力学性能的优化算法研究
针对焊接过程的高度非线性和多种因素交互作用复杂,难以准确地对焊接接头力学性能进行预测,基于径向基神经网络(RBF网络)技术,将影响接头力学性能的主要工艺因素：焊接电流、焊接速度、氩气流量作为网络的输入参数,接头力学性能：抗拉强度、抗弯强度、延伸率作为网络的输出参数,利用模糊C—means聚类(也称为FCM聚类)和减法聚类两种模糊聚类算法作为K-means聚类算法的改进算法。确定径向基神经网络的隐层节点和节点数据中心,克服了K-means聚类算法确定聚类个数困难和聚类过程不具有任何推理含义的缺点。采用伪逆法训练网络输出权向量,更为简捷,使训练速度加快.通过对焊接接头力学性能进行仿真,表明基于模糊聚类算法的RBF网络具有推理含义,能将专家知识融于神经网络,用两种模型预测焊接接头力学性能均达到了较高的精度,且预测精度比基于K-means聚类算法的RBF网络精度有所提高。
神经网络 减法聚类 焊接接头 力学性能 模糊聚类
唐正魁 董俊慧 张永志
内蒙古工业大学 材料科学与工程学院,呼和浩特 010051
国内会议
哈尔滨
中文
93-97
2009-01-01（万方平台首次上网日期，不代表论文的发表时间）