人工神经网络在机械加工精度控制中的应用研究

摘要

影响机械零件加工精度的因素很多，因此很难求解控制机械加工精度的公式，或者是求解的计算公式非常复杂。人工神经网络算法(ANN)的出现解决了很多单靠公式不能解决的问题，它通过由样本集的训练，学习样本集中的统计规律，将学习后的信息保存在权值中。当输入非样本集的模式时，训练理想的神经网络具有很强的非线性映射能力，而且不受输入量和输出量数目的限制。在具体的研究应用中，可以根据需要自由修改源程序。人工神经网络中的 RBF 网在各个领域中应用广泛，并且不断出现改进后的算法。本文采用了RBF 作为研究工具，通过使用大量的实验数据对 RBF 网络进行训练，分析了影响机械加工精度的因素以及使用 RBF 解决控制机械加工精度问题的可行性。 主要完成的研究内容如下： 1．RBF 网络结构的确定本文通过大量的实验，验证以及总结了如何确定 RBF 网络的网络结构，以及不同的网络结构对实验结果的影响，具体为隐层的确定，隐层神经元数目的确定。 2．各种因素对加工精度的影响通过对 RBF 网络的训练，可以发现对结果的好坏起很重要作用的输入量，这个输入量是影响加工精度的决定性因素。而有的输入量对结果影响不大，则这个因素不是影响加工精度的决定性因素，或者可以被忽略。 3．RBF 网络解决机械加工中误差复映问题的研究。对 RBF 网络进行训练后，用测试集测试它的泛化能力，观察测试结果与实际结果的差距。 4．RBF 局部修改以适应不同研究课题的要求。

目录

文摘

英文文摘

声明

第一章绪论

1.1本文研究的目的与意义

1.2本文研究的主要内容

第二章人工神经网络及发展前景

2.1人工神经网络概念的由来

2.2人工神经网络的发展简史

2.3人工神经网络的研究现状

2.4人工神经网络的发展趋势

第三章控制机械加工精度的可行技术

3.1误差复映理论

3.2减少误差复映的方法

3.3减小误差复映的新技术

第四章前向神经网络

4.1人工神经网络的基本理论

4.2人工神经网络的学习方法

4.3误差反向传播网络

4.4径向基函数神经网络

4.5 RBF网络与BP网络的比较

第五章RBF网在控制机械加工精度中的应用

5.1 RBF网络训练样本集

5.2RBF网络设计

第六章结论和建议

参考文献

致 谢