基于人工神经网络-粒子群算法PDPhSM基纳米复合薄膜的性能预测与工艺优化

文摘

英文文摘

论文说明：符号说明

学位论文原创性声明和版权使用授权书

第一章绪论

1.1纳米材料及其特性

1.1.1纳米材料的界面效应

1.1.2纳米材料的小尺寸效应

1.1.3纳米材料的量子尺寸效应

1.2聚合物基纳米复合材料的发展与现状

1.2.1制备方法

1.2.2优点

1.2.3聚合物基纳米复合材料的应用领域

1.3研究课题的提出

1.4人工神经网络遗传算法在材料研究中的应用

1.4.1人工神经网络简介

1.4.2人工神经网络在材料研究中的应用

1.4.3遗传算法简介

1.4.4遗传算法在优化人工神经网络当中的应用

1.4.5遗传算法在材料设计优化中的应用

1.4.6遗传算法在材料工艺优化中的应用

1.5人工神经网络粒子群算法的意义

1.5.1传统回归方法的不足

1.5.2遗传算法的不足

1.5.3人工神经网络粒子群算法

1.6本论文采用的研究思路

1.6.1本论文拟采用BP和RBF两种算法建模

1.6.2本论文拟采用粒子群算法进行工艺优化

1.6.3本论文拟采用的软件

1.6.4技术路线

1.7本章小结

第二章PDPhSM基纳米复合薄膜的制备

2.1引言

2.2材料与试验过程

2.3本章小结

第三章PDPhSM基纳米复合薄膜聚合效率的预测

3.1问题描述

3.1.1输入输出节点选择

3.1.2学习样本数据的搜集

3.1.3学习样本数据的整理

3.1.4样本数据的预处理

3.2 BP(Backpropagation)网络的设计

3.2.1 BP神经网络简介

3.2.2 BP神经网络模型的学习算法

3.2.3网络层数的确定

3.2.4传递函数的确定

3.2.5隐含层的节点数确定

3.2.6 BP网络参数的确定

3.3 RBF(Radial basis function)网络的设计

3.3.1 RBF神经网络简介

3.3.2 RBF神经网络模型的结构

3.3.3 RBF神经网络学习算法与选择

3.3.4 RBF网络参数的选择与确定

3.4 BP和RBF神经网络仿真分析

3.5 BP网络与RBF网络的性能比较分析

3.5.1学习速度和收敛过程比较

3.5.2泛化性能

3.5.3预测精度比较分析

3.6 PDPhSM基纳米复合薄膜聚合效率模型的建立

第四章PDPhSM基纳米复合薄膜的工艺优化

4.1算法提出背景

4.2粒子群优化PSO(Particle Swarm Optimization)算法设计

4.2.1基本PSO原理简介

4.2.2基本PSO学习算法

4.2.3基本PSO的流程描述

4.2.4粒子群PSO算法参数的选择与确定

4.3与其他演化算法的对比

4.3.1与演化规划的对比

4.3.2与遗传算法的对比

4.4粒子群PSO算法的工艺优化

4.4.1粒子群PSO算法的收敛过程

4.4.2粒子群PSO算法的优化结果

4.5工艺优化结论

4.6本章小结

第五章工作展望与结束语

5.1工作展望

5.1.1在脉冲激光沉积(PLD)薄膜技术方面

5.1.2在制备聚合物PDPhSM基纳米复合薄膜方面

5.1.3在人工神经网络建模及其性能预测方面

5.1.4在工艺优化方面

5.1.5在薄膜性能方面

5.2结束语

参考文献

附录1 BP神经网络模型程序

附录2 RBF神经网络模型程序

附录3 PSO工艺优化程序

致谢

攻读学位期间发表的学术论文