可拓评价在模糊神经网络结构优化中的研究

《可拓评价在模糊神经网络结构优化中的研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、广东工业大学硕士学位论文可拓评价在模糊神经网络结构优化中的研究姓名：韩琨申请学位级别：硕士专业：测试计量技术与仪器指导教师：唐露新20100601摘要在柔性物料或薄壁结构件等非刚性材料的高速加工中(如绗缝、发动机螺旋桨等)，运动方向和速度的动态变化，使材料变形，预定轨迹改变，导致加工路径偏离设定轨迹，产生误差。因加工形变等非线性因素，难以得到运动对象控制模型。现有的方法在快速计算的实时陛、准确性、建立对象变形的坐标函数、精确建模以及过分依赖人工经验等方面存在着不少问题。模糊神经网络(FNN)是一种能处理抽象信息的网络结构，具有强大的自学习建模和参数快速自整定功能，已

2、经在一些非线性复杂生产过程取得良好效果。将FNN应用于柔性物料的加工，可以解决加工对象建模困难等问题，但FNN性能受本身结构的制约，其中的网络结构规则提取、参数优化等过分依赖人工经验，增加了应用的困难。如何从观测数据中提取较为简化的模糊规则、使神经网络和模糊控制结合产生更好的结构，需要进行规则优化即FNN的结构优化。现在大部分结构优化算法需要重新训练网络，非常浪费时间。为此，本文的研究工作如下：1、分析模糊神经网络的结构和优化方法，初步确定柔性物料加工的模糊神经网络模型。2、介绍了可拓优度评价方法的基本原理和特点；建立利用可拓方法评价模糊神经网络物元模型；建立了柔性

3、物料加工的物元模型；给出了模糊神经网络结构评价的具体步骤和实现方法。3、。在传统评价方法存在人为影响过重、网络结构确定和优化繁杂、如何自动获取神经网络的调整参数困难等问题的基础上，根据可拓学优度评价法(物元评价法)的应用原理及特点，将其引入模糊神经网络结构优化方案优选评价研究中，并通过对绗缝或薄壁结构件等非刚性的材料加工评价进行了实证研究，取得了合理的评价结果。4、将可拓优度评价法用于柔性物料加工的模糊神经网络结构优化中，针对评价的结果，进行了理论探讨和仿真实验，仿真取得了较满意的结果，并对仿真结果进行了分析。理论研究和实践证明可拓学优度评价方法适用于很多方案选优的

4、评价体系，对广东丁业大学硕十学位论文被评价体系指标没有要求和限制，解决了指标与方法间的不相容问题；它不仅完全适用于模糊神经网络结构方案的优化，而且解决了传统方法的诸多弊病，评价过程中无需人工干预，评价结果科学可靠，具有很强地泛化能力，今后可以对模糊神经网络的其它方面的问题进行评价。关键词：模糊神经网络结构；柔性物料加工；优度评价方法；评价指标体系‘，’IlAbstractInthehigh-speedmachiningoftheflexibilitymaterialorthin—walledworkpiecewithnon—rigidmaterials，suchas

5、quilting，enginepropellers，becausemovingdirectionandspeedchangesisdynamic，thematerialdeformationandpredeterminedpathischangewhichleadtomachiningpathdeviatedfromthepredeterminedpathandproduceerror．Itisdifficulttoobtaincontrollingmodelofmovingobjectsbecauseofnonlinearfactorswithmachiningd

6、eformation．Theexistingmethodsneedtobeimprovedinrapidcalculation，real-time，accuracy,buildingthecoordinatefunctionoftheobjectdeformationandbeingover-relianceonartificialexperience，precisemodelingandSOon．Fuzzyneuralnetwork(FNN)isanetworkstructure、析thabstractinformationprocessingwhichhasap

7、owerfulfunctionofself-learningmodelandfastself-tuningparameters，meanwhile，FNNhasacquiredgoodeffectincomplexproductionprocess、析tllnon-linear．FNNisusedintheflexiblematerialsmachiningandsolvesdifficultproblemsofprocessingobjectmodeling，buttheperformanceofFNNisconstrainedbyitsownstructur