摘要:全球化的市场竞争要求研究人员和生产者在开发新材料时降低成本,井对客户的需求作出快速反应,传统上经验和大量实验的方法显然不能适应需要.人工神经网络(ANN)不需要建立精确的数学模型来描述变量间的非线性映射关系,这种非线性映射功能使得其在材料性能的预测与优化方面的应用成为可能.rn 有监督特征映射(SLPM)网络是一种新型的ANN,兵有学习速度快、精度高和扩展能力强的特点.本文中,对SUFM算法进行了改进,使其更为合理。文中提出了一种基于改进型SLFM网络的预测模型,利用少量的实验对材抖性能进行预测,以达到降低成本.文中探讨了实现该预测模型时网络的拓扑结构、学习和预测机制,以及网络参数的选择,提供了其对Ti-26合金性能进行预测的实验,实验结果证明改进型SLFM网络构造的预测模型学习速度快(20个学习样本迭代仅253次),学习能力强(回想准确率100%),预测精度较高(相对误差基本上拉制在3%以内).rn 在此基础上对Ti-26舍金的部分性能影响因素进行了优化,优化后的性能测算结果和实验结果相符,实验证明该预测模型是新材料开发过程中,材料性能预测和性能影响因素优化的一个有效工具.