雷射切割不銹鋼之粗糙度預(yù)測模式探討(編輯修改稿)
2024-10-07 00:51 本頁面
【文章內(nèi)容簡介】 分析等來求得倒傳遞類神經(jīng)網(wǎng)路程式的最佳網(wǎng)路參數(shù)。 類神經(jīng)網(wǎng)路系統(tǒng) ? 類神經(jīng)網(wǎng)路 （ Artificial neural work, ANN） 是由生物學(xué)得到的靈感，為一種模仿生物神經(jīng)網(wǎng)路的資訊處理系統(tǒng)，希望藉由其組成單元能夠像生物神經(jīng)元 （ Neuron） 般的構(gòu)造，具備腦神經(jīng)的特性，可應(yīng)用於推估、預(yù)測、決策、診斷等方面。 類神經(jīng)網(wǎng)路 類神經(jīng)網(wǎng)路 ? 一個類神經(jīng)網(wǎng)路架構(gòu)包含許多層，主要分為 輸入層 、 隱藏層 與 輸出層 三種。 ? 類神經(jīng)網(wǎng)路架構(gòu)大致可分為 監(jiān)督式學(xué)習(xí)網(wǎng)路 （ Supervised learning work） 、非監(jiān)督式學(xué)習(xí)網(wǎng)路 （ Unsupervised learning work） 、聯(lián)想式學(xué)習(xí)網(wǎng)路 （ Associate learning work） 和最適化應(yīng)用網(wǎng)路 （ Optimization application work） 等四大類。 倒傳遞網(wǎng)路 ? 倒傳遞類神經(jīng)網(wǎng)路 的應(yīng)用較其它型式網(wǎng)路普遍，且其預(yù)測能力較佳，此乃因倒傳遞類神經(jīng)網(wǎng)路只用一個正規(guī)神經(jīng)元表達(dá)一個變數(shù)，對基本輸入的部份累加運(yùn)算、轉(zhuǎn)換，使得模式對於變數(shù)高值域與低值域部份，具有相當(dāng)高的敏銳性和精確性，其網(wǎng)路架構(gòu)如圖 倒傳遞網(wǎng)路 倒傳遞類神經(jīng)網(wǎng)路運(yùn)算式 ? 倒傳遞類神經(jīng)網(wǎng)路的運(yùn)算主體可分為兩部份，第一部份為藉由輸入學(xué)習(xí)範(fàn)例資料來學(xué)習(xí)的模式，以求得加權(quán)值 （ Weight value）和偏權(quán)值 （ Threshold value） 的學(xué)習(xí)過程。 ? 第二部份為讀入經(jīng)學(xué)習(xí)過程所得的加權(quán)值及偏權(quán)值，使模式具備預(yù)測能力的回想過程。 網(wǎng)路學(xué)習(xí)過程 網(wǎng)路參數(shù)最佳化 ? 網(wǎng)路參數(shù)最佳化步驟依序為： ? ? 、水準(zhǔn)值及直交表 ? ? ? 網(wǎng)路參數(shù)最佳化 ? 網(wǎng)路參數(shù)最佳化步驟依序為
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1