CN112100940A - 光纤预制棒一次拉伸工艺参数预测方法及装置 - Google Patents
光纤预制棒一次拉伸工艺参数预测方法及装置 Download PDFInfo
- Publication number
- CN112100940A CN112100940A CN202010978830.7A CN202010978830A CN112100940A CN 112100940 A CN112100940 A CN 112100940A CN 202010978830 A CN202010978830 A CN 202010978830A CN 112100940 A CN112100940 A CN 112100940A
- Authority
- CN
- China
- Prior art keywords
- neural network
- optical fiber
- parameters
- network model
- fiber preform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003062 neural network model Methods 0.000 claims abstract description 113
- 238000013528 artificial neural network Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 66
- 230000002068 genetic effect Effects 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 24
- 238000002790 cross-validation Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 210000000349 chromosome Anatomy 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012681 fiber drawing Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacture, Treatment Of Glass Fibers (AREA)
Abstract
本发明实施方式提供一种光纤预制棒一次拉伸工艺参数预测方法及装置,属于光纤预制棒及机器学习技术领域。方法包括:获取光纤预制棒的棒径参数;以棒径参数为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数;预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到。本发明通过对遗传算法和BP神经网络进行结合与优势互补,利用遗传算法对BP神经网络进行优化,从而构建工艺参数预测模型对光纤预制棒的一次拉伸工艺参数进行预测,有效解决了现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。
Description
技术领域
本发明涉及光纤预制棒及机器学习技术领域,具体地涉及一种光纤预制棒一次拉伸工艺参数预测方法及一种光纤预制棒一次拉伸工艺参数预测装置。
背景技术
光纤是以光的全反射为理论基础,通过光电变换来传输信息的重要媒介,具有抗电磁干扰能力强、传输保真性好、重量轻、辐射小、传输距离远、使用寿命长等优点。光纤预制棒是具有特定折射率剖面并用于制造光纤的高纯度石英玻璃棒,光纤的内部结构在预制棒中形成,预制棒直接决定光纤的类别和性能,其制作是光纤工艺中最重要的部分。
将光纤预制棒母棒进行轴向拉伸径向收缩且保持芯包比和折射率分布恒定的操作称为一次拉伸工艺。具体过程为,在光纤拉丝塔顶部将光纤预制棒母棒上端夹持,下端放入两千摄氏度左右的石墨高温炉中心区域加热至熔融状态,并在底端牵引下将母棒均匀拉伸至所需尺寸规格。
目前,行业内大多数企业在进行光纤预制棒一次拉伸工艺时都会在重要参数设置中出现以下问题:首先是参数预设问题,当前工艺参数是由现场工人根据预制棒母棒批次结合过往加工经验预设,参数选择较为随意且参数间无明确定量关系;其次是针对同一批次中材料性质在一定范围内有明显波动的不同母棒笼统处理,采取完全相同的加工参数进行加工;最后是在加工过程中关键监控变量出现异常时,工人倾向于做出不精准的调控措施。
发明内容
本发明实施方式的目的是通过基于遗传算法及BP神经网络对光纤预制棒的一次拉伸工艺参数进行预测,以解决现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。
为了实现上述目的,在本发明的第一方面,提供一种光纤预制棒一次拉伸工艺参数预测方法,包括:
获取光纤预制棒的棒径参数,所述光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径;
以所述母棒棒径、拉伸目标棒径及拉伸后的棒径为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数,所述拉伸工艺参数包括加工温度、送入速度及拉伸速度;所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到;
所述历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。
可选地,所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到,包括:
获取光纤预制棒的历史加工数据;
对光纤预制棒的历史加工数据进行预处理;
将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集;
依据所述训练集确定BP神经网络的初始结构,通过所述训练集对BP神经网络进行训练,以经所述测试集及所述交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型;
依据所述遗传算法对所述初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型;
通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到所述预设的BP神经网络模型。
可选地,所述依据所述训练集确定BP神经网络的初始结构,包括:
依据所述训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数;以及
依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。
可选地,所述依据所述遗传算法对所述初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型,包括:
对所述初始BP神经网络模型的权值和阈值进行实数编码得到初始种群;
依据所述测试集、交叉验证集及预设的种群参数,计算个体的适应度,依据个体的适应度从当前种群中选择最优个体,执行交叉、变异操作,直至达到终止条件,选择最优的权值和阈值更新所述初始BP神经网络模型的权值和阈值,得到优化的BP神经网络模型;
所述种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。
可选地,所述通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到所述预设的BP神经网络模型,包括:
依据所述训练集中的棒径参数和对应的拉伸工艺参数对所述优化的BP神经网络模型进行训练,计算所述优化的BP神经网络模型的预测值与期望值的误差,通过误差逆向传播更新所述优化的BP神经网络模型的权值和阈值,直至达到迭代次数或预测值与期望值的误差小于设定值,得到所述预设的BP神经网络模型。
在本发明的第二方面,提供一种光纤预制棒一次拉伸工艺参数预测装置,包括:
数据获取模块,被配置为获取光纤预制棒的棒径参数,所述光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径;
预测模块,被配置为以所述母棒棒径、拉伸目标棒径及拉伸后的棒径为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数,所述拉伸工艺参数包括加工温度、送入速度及拉伸速度;所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到;
所述历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。
可选地,所述预测模块,包括:
历史数据获取单元,被配置为获取所述光纤预制棒的历史加工数据;
数据处理单元,被配置为对所述光纤预制棒的历史加工数据进行预处理;
数据集划分单元,被配置为将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集;
第一训练单元,被配置为依据所述训练集确定BP神经网络的初始结构,通过所述训练集对BP神经网络进行训练,以经所述测试集及所述交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型;
第二训练单元,被配置为依据所述遗传算法对所述初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型;
第三训练单元,被配置为通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到所述预设的BP神经网络模型。
可选地,所述第一训练单元,还被配置为:
依据所述训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数;以及
依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。
可选地,所述第二训练单元,包括:
第一计算子单元,被配置为对所述初始BP神经网络模型的权值和阈值进行实数编码得到初始种群;
第二计算子单元,被配置为依据所述测试集、交叉验证集及预设的种群参数,计算个体的适应度,依据个体的适应度从当前种群中选择最优个体,执行交叉、变异操作,直至达到终止条件,选择最优的权值和阈值更新所述初始BP神经网络模型的权值和阈值,得到优化的BP神经网络模型;
所述种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。
可选地,所述第三训练单元,被配置为:
依据所述训练集中的棒径参数和对应的拉伸工艺参数对所述优化的BP神经网络模型进行训练,计算所述优化的BP神经网络模型的预测值与期望值的误差,通过误差逆向传播更新所述优化的BP神经网络模型的权值和阈值,直至达到迭代次数或预测值与期望值的误差小于设定值,得到所述预设的BP神经网络模型。
本发明上述技术方案通过对遗传算法和BP神经网络进行结合与优势互补,利用BP神经网络建立母棒棒径、拉伸目标棒径、加工温度、送入速度、拉伸速度与拉伸后棒径之间复杂的非线性映射关系,利用遗传算法对BP神经网络的结构和参数进行优化,在参数可行域内寻求满足工艺要求的最优参数组合,从而基于遗传算法及BP神经网络构建工艺参数预测模型对光纤预制棒的一次拉伸工艺参数进行预测,贴合工艺实际要求,实用性强,有效解决了现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明优选实施方式提供的光纤预制棒一次拉伸工艺参数预测方法的方法流程图;
图2是本发明优选实施方式提供的光纤预制棒一次拉伸工艺参数预测流程示意图;
图3是本发明优选实施方式提供的遗传算法及BP神经网络算法流程图;
图4是本发明优选实施方式提供的遗传算法原理示意图;
图5是本发明优选实施方式提供的光纤预制棒一次拉伸工艺参数预测装置的示意框图。
附图标记说明
201-数据获取模块,202-预测模块。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1、图2及图3所示,在本实施方式的第一方面,提供一种光纤预制棒一次拉伸工艺参数预测方法,包括:
S100、获取光纤预制棒的棒径参数,光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径;
S200、以母棒棒径、拉伸目标棒径及拉伸后的棒径为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数,拉伸工艺参数包括加工温度、送入速度及拉伸速度;预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到,其中,历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。
如此,本实施方式通过对遗传算法和BP神经网络进行结合与优势互补,利用BP神经网络建立母棒棒径、拉伸目标棒径、加工温度、送入速度、拉伸速度与拉伸后棒径之间复杂的非线性映射关系,利用遗传算法对BP神经网络的结构和参数进行优化,在参数可行域内寻求满足工艺要求的最优参数组合,从而基于遗传算法及BP神经网络构建工艺参数预测模型对光纤预制棒的一次拉伸工艺参数进行预测,贴合工艺实际要求,实用性强,有效解决了现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。
具体的,遗传算法可以模拟自然界优胜劣汰的进化现象,把搜索空间,即问题解的组成空间映射为遗传空间,把可能的解编码成一个向量——染色体,向量的每个元素称为基因。通过不断计算各染色体的适应度,选择最好的染色体,获得最优解;BP神经网络是人工神经网络中应用最为广泛且算法较为成熟的一种网络,具有较强的非线性映射能力、高度自学习和自适应能力、较强的泛化能力以及一定的容错能力,可用于参数预测。尽管如此,其自身仍具有明显不足:收敛速度较慢、容易陷入局部极小值、网络结构选择不固定以及较强的样本依赖性,这些不足可能引起较大的偏差,从而影响预测结果。本实施方式通过结合遗传算法及BP神经网络,能有效的解决传统BP神经网络收敛速度较慢、容易陷入局部极小值、网络结构选择不固定以及较强的样本依赖性等问题,在此基础上,通过建立母棒棒径、拉伸目标棒径、加工温度、送入速度、拉伸速度与拉伸后棒径之间复杂的非线性映射关系,基于遗传算法及BP神经网络对光纤预制棒的一次拉伸工艺参数进行预测,从而能根据不同的光纤预制棒的材料性质调整光纤预制棒的一次拉伸工艺参数。
在步骤S100中,直接获取工厂现场采集的加工数据,其中,加工数据包括光纤预制棒的棒径参数及拉伸工艺参数,具体包括光纤预制棒的母棒棒径、拉伸目标棒径、加工温度、送入速度、拉伸速度与拉伸后棒径等维度的数据,并预先建立拉伸后棒径和各影响因素之间的关系并表示为:Rf=f(Ri,Rt,T,Vf,Vd),其中Rf为拉伸后棒径,Ri为母棒棒径,Rt为拉伸目标棒径,T为加工温度,Vf为送入速度,Vd为拉伸速度。
在步骤S200中,预先获取工厂现场采集的光纤预制棒一次拉伸工艺的历史加工数据,依据光纤预制棒的历史加工数据对BP神经网络进行训练,从而建立预测模型,因此,预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到,包括:
S201、获取光纤预制棒的历史加工数据;
S202、对光纤预制棒的历史加工数据进行预处理;
S203、将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集;
S204、依据训练集确定BP神经网络的初始结构,通过训练集对BP神经网络进行训练,以经测试集及交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型;
S205、依据遗传算法对初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型;
S206、通过误差逆向传播更新优化的BP神经网络模型的网络结构,得到预设的BP神经网络模型。
其中,对获取到的光纤预制棒的历史加工数据等数据进行预处理,主要包括异常值处理、插值处理、训练集测试集划分和归一化处理等。对获取到的所有历史数据,将拉伸后棒径明显超出工艺的公差要求的若干条数据直接做删除处理,对采集异常产生的若干条空数据用拉格朗日插值替代,确定数据样本集后按照70%作为训练集、15%作为测试集、15%作为交叉验证集的比例进行划分,将数据样本集据不同参数类别分别作基于最大最小法的归一化处理,其中,最大最小法公式具体为:其中xstd为归一化后的数据,x为原始数据,xmin为数据序列最小值,xmax数据序列最大值。
在步骤S204中,依据训练集确定BP神经网络的初始结构,包括:
依据训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数;
依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。
本实施方式以母棒棒径、拉伸目标棒径和拉伸后棒径作为BP神经网络的输入,以加工温度、送入速度和拉伸速度作为BP神经网络的输出,则,根据棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数可以为输入层节点数为3,输出层节点数为3,同时,本实施方式使用含有一个隐含层的BP神经网络建立光纤预制棒的一次拉伸工艺参数预测模型,隐含层节点数根据经验公式选定合适范围并逐一尝试,依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。选取其中测试效果和交叉验证效果最好的网络结构。其中,经验公式包括:
2)m=log2n;
其中m为隐含层节点数,n为输入层节点数,l为输出层节点数,α为1~10之间的常数,而判断预测与实际结果之间的偏差,即预测精度,则使用损失函数公式,具体为:
其中,J为针对整个训练集的成本函数,w为权重值,b为偏置值,m为样本数,i为选取样本的索引数,k为输出结果的索引数,L为针对单个训练样本的损失函数,yk (i)为第i个样本的实际结果,为第i个样本的预测结果。
在理清BP神经网络的参数关系并初步确定BP神经网络的初始结构后,通过训练集数据对BP神经网络进行初步训练,同时通过测试集和交叉验证集对输出结果进行验证,选择验证效果最好的网络结构,从而确定BP神经网络的拓扑结构及相关参数,以此为基础构建初始BP神经网络模型。
如图4所示,确定了神经网络的拓扑结构后,需进一步确定目标函数和实际工艺中的参数可行域,则,依据遗传算法对初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型,包括:
对初始BP神经网络模型的权值和阈值进行实数编码得到初始种群;
依据测试集、交叉验证集及预设的种群参数,计算个体的适应度,依据个体的适应度从当前种群中选择最优个体,执行交叉、变异操作,直至达到终止条件,选择最优的权值和阈值更新初始BP神经网络模型的权值和阈值,得到优化的BP神经网络模型;
其中,种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。
首先对BP神经网络权值和阈值进行实数编码得到初始种群,其次对遗传算法的结构参数、寻优算子及适应度函数做如下设定:
1)种群规模:即种群中包含的个体数,种群数过少将降低搜索范围导致无法找到最优解,种群数过大将提升搜索范围导致寻优效率过低,本实施方式的模型中种群个数设定为100;
2)交叉概率:将两个个体的染色体按照某种方式相互交换部分基因,形成两个新个体的过程称为交叉,交叉概率过小将降低甚至停滞搜索速度,该概率过高将破坏优秀个体结构,本实施方式中交叉概率设定为0.6;
3)变异概率:在交叉操作过后形成的新个体,有一定的概率会发生基因变异,变异概率一般较小,本实施方式中变异概率设定为0.01;
4)最大遗传代数:当程序迭代次数到达设定终止值将自动停止搜索过程,本实施方式中最大遗传代数设定为500;
5)寻优算子:搜索过程采用的低级选择算子和重组算子,本实施方式中选用轮盘赌选择算子作为选择算子,选用单点交叉作为重组算子。
6)适应度函数:为了使BP神经网络在预测时,预测值与期望值的残差尽可能小,本实施方式中选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出,而适应度函数采用排序的适应度分配函数——FitnessV=ranking(obj),其中obj即目标函数的输出。
对BP神经网络编码进行解码后,获取权值和阈值并赋予新建的BP神经网络,使用训练集样本训练BP神经网络,然后使用测试集和交叉验证集样本对网络的预测表现进行评估,计算当前种群的适应度,选择适应度高的染色体进行复制,经历种群交叉和变异过程产生新的群体,判断是否满足程序终止条件,如果尚未满足终止条件则重复该步骤,如果已经满足终止条件则对神经网络进行解码,获取最佳神经网络权值和阈值。其中,终止条件可包含但不限于:经过若干次迭代后,种群总体情况变化不大;达到设定的最大遗传代数;达到预设的适应度函数值。
以经遗传算法得到的最优解作为优化的BP神经网络模型的权值和阈值,通过训练集对优化的BP神经网络模型进行训练,计算优化的BP神经网络模型的预测误差并根据得到的误差对网络各层的权值和阈值进行修正,以实现误差的逆向传播,直到达到迭代次数或误差被控制在某可接受范围内为止,从而完成对优化的BP神经网络模型的训练,得到最终结构确定的优化的BP神经网络模型。因此,通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到预设的BP神经网络模型,包括:
依据训练集中的棒径参数和对应的拉伸工艺参数对优化的BP神经网络模型进行训练,计算优化的BP神经网络模型的预测值与期望值的误差,通过误差逆向传播更新优化的BP神经网络模型的权值和阈值,直至达到迭代次数或预测值与期望值的误差小于设定值,得到预设的BP神经网络模型。
其中,逆向传播算法主要步骤如下:
1)网络初始化:对输入层到隐含层的连接权值ωij、隐含层到输出层的连接权值νki、隐含层阈值θi及输出层阈值σk赋予经遗传算法获取的最优解对应值;
11)判断算法是否满足终止条件,如达到迭代次数或连接权值及阈值调整量已低于预设值,若未满足则返回逆向传播算法步骤2。
依据上述逆向传播算法,将经归一化处理后的训练集样本输入到优化的BP神经网络模型中进行计算,并根据误差分别对网络各层权值及阈值进行修正,以实现误差的逆向传播,直到算法达到迭代次数或误差小于预设值为止,训练结束,得到最终的结构确定的优化的BP神经网络模型,并以此作为预设的BP神经网络模型。
将经归一化处理后的测试集和交叉验证集样本输入到按上述步骤得到的预设的BP神经网络模型中进行计算并验证,根据验证结果表明经遗传算法优化的BP神经网络模型预测值与实测值吻合程度明显高于传统BP神经网络模型。
如图5所示,在本发明的第二方面,提供一种光纤预制棒一次拉伸工艺参数预测装置,包括:
数据获取模块201,被配置为获取光纤预制棒的棒径参数,光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径;
预测模块202,被配置为以母棒棒径、拉伸目标棒径及拉伸后的棒径为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数,拉伸工艺参数包括加工温度、送入速度及拉伸速度;预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到;
其中,历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。
可选地,预测模块202,包括:
历史数据获取单元,被配置为获取光纤预制棒的历史加工数据;
数据处理单元,被配置为对光纤预制棒的历史加工数据进行预处理;
数据集划分单元,被配置为将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集;
第一训练单元,被配置为依据训练集确定BP神经网络的初始结构,通过训练集对BP神经网络进行训练,以经测试集及交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型;
第二训练单元,被配置为依据遗传算法对初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型;
第三训练单元,被配置为通过误差逆向传播更新优化的BP神经网络模型的网络结构,得到预设的BP神经网络模型。
可选地,第一训练单元,还被配置为:
依据训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数;以及
依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。
可选地,第二训练单元,包括:
第一计算子单元,被配置为对初始BP神经网络模型的权值和阈值进行实数编码得到初始种群;
第二计算子单元,被配置为依据测试集、交叉验证集及预设的种群参数,计算个体的适应度,依据个体的适应度从当前种群中选择最优个体,执行交叉、变异操作,直至达到终止条件,选择最优的权值和阈值更新初始BP神经网络模型的权值和阈值,得到优化的BP神经网络模型;
种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。
可选地,第三训练单元,被配置为:
依据训练集中的棒径参数和对应的拉伸工艺参数对优化的BP神经网络模型进行训练,计算优化的BP神经网络模型的预测值与期望值的误差,通过误差逆向传播更新优化的BP神经网络模型的权值和阈值,直至达到迭代次数或预测值与期望值的误差小于设定值,得到预设的BP神经网络模型。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上,本实施方式通过对遗传算法和BP神经网络进行结合与优势互补,利用BP神经网络建立母棒棒径、拉伸目标棒径、加工温度、送入速度、拉伸速度与拉伸后棒径之间复杂的非线性映射关系,利用遗传算法对BP神经网络的结构和参数进行优化,在参数可行域内寻求满足工艺要求的最优参数组合,从而基于遗传算法及BP神经网络构建工艺参数预测模型对光纤预制棒的一次拉伸工艺参数进行预测,贴合工艺实际要求,实用性强,有效解决了现有技术中对参数选择随意且无法根据光纤预制棒的性质调整工艺参数的问题。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种光纤预制棒一次拉伸工艺参数预测方法,其特征在于,包括:
获取光纤预制棒的棒径参数,所述光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径;
以所述母棒棒径、拉伸目标棒径及拉伸后的棒径为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数,所述拉伸工艺参数包括加工温度、送入速度及拉伸速度;所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到;
所述历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。
2.根据权利要求1所述的光纤预制棒一次拉伸工艺参数预测方法,其特征在于,所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到,包括:
获取光纤预制棒的历史加工数据;
对光纤预制棒的历史加工数据进行预处理;
将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集;
依据所述训练集确定BP神经网络的初始结构,通过所述训练集对BP神经网络进行训练,以经所述测试集及所述交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型;
依据所述遗传算法对所述初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型;
通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到所述预设的BP神经网络模型。
3.根据权利要求2所述的光纤预制棒一次拉伸工艺参数预测方法,其特征在于,所述依据所述训练集确定BP神经网络的初始结构,包括:
依据所述训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数;以及
依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。
4.根据权利要求2所述的光纤预制棒一次拉伸工艺参数预测方法,其特征在于,所述依据所述遗传算法对所述初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型,包括:
对所述初始BP神经网络模型的权值和阈值进行实数编码得到初始种群;
依据所述测试集、交叉验证集及预设的种群参数,计算个体的适应度,依据个体的适应度从当前种群中选择最优个体,执行交叉、变异操作,直至达到终止条件,选择最优的权值和阈值更新所述初始BP神经网络模型的权值和阈值,得到优化的BP神经网络模型;
所述种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。
5.根据权利要求2所述的光纤预制棒一次拉伸工艺参数预测方法,其特征在于,所述通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到所述预设的BP神经网络模型,包括:
依据所述训练集中的棒径参数和对应的拉伸工艺参数对所述优化的BP神经网络模型进行训练,计算所述优化的BP神经网络模型的预测值与期望值的误差,通过误差逆向传播更新所述优化的BP神经网络模型的权值和阈值,直至达到迭代次数或预测值与期望值的误差小于设定值,得到所述预设的BP神经网络模型。
6.一种光纤预制棒一次拉伸工艺参数预测装置,其特征在于,包括:
数据获取模块,被配置为获取光纤预制棒的棒径参数,所述光纤预制棒的棒径参数包括母棒棒径、拉伸目标棒径及拉伸后的棒径;
预测模块,被配置为以所述母棒棒径、拉伸目标棒径及拉伸后的棒径为输入,经预设的BP神经网络模型,预测光纤预制棒的拉伸工艺参数,所述拉伸工艺参数包括加工温度、送入速度及拉伸速度;所述预设的BP神经网络模型通过遗传算法对BP神经网络进行结构优化,以及通过光纤预制棒的历史加工数据对经遗传算法优化后的BP神经网络进行训练后得到;
所述历史加工数据包括光纤预制棒的历史棒径参数及对应的拉伸工艺参数。
7.根据权利要求6所述的光纤预制棒一次拉伸工艺参数预测装置,其特征在于,所述预测模块,包括:
历史数据获取单元,被配置为获取所述光纤预制棒的历史加工数据;
数据处理单元,被配置为对所述光纤预制棒的历史加工数据进行预处理;
数据集划分单元,被配置为将经预处理后的历史加工数据划分为训练集、测试集及交叉验证集;
第一训练单元,被配置为依据所述训练集确定BP神经网络的初始结构,通过所述训练集对BP神经网络进行训练,以经所述测试集及所述交叉验证集验证效果最佳的网络结构构建初始BP神经网络模型;
第二训练单元,被配置为依据所述遗传算法对所述初始BP神经网络模型进行结构优化,得到优化的BP神经网络模型;
第三训练单元,被配置为通过误差逆向传播更新所述优化的BP神经网络模型的网络结构,得到所述预设的BP神经网络模型。
8.根据权利要求7所述的光纤预制棒一次拉伸工艺参数预测装置,其特征在于,所述第一训练单元,还被配置为:
依据所述训练集中的棒径参数的个数及对应的拉伸工艺参数确定BP神经网络的输入层和输出层的节点个数;以及
依据经验公式计算并对比不同隐含层节点个数下的预测效果,确定最优的BP神经网络隐含层节点个数。
9.根据权利要求7所述的光纤预制棒一次拉伸工艺参数预测装置,其特征在于,所述第二训练单元,包括:
第一计算子单元,被配置为对所述初始BP神经网络模型的权值和阈值进行实数编码得到初始种群;
第二计算子单元,被配置为依据所述测试集、交叉验证集及预设的种群参数,计算个体的适应度,依据个体的适应度从当前种群中选择最优个体,执行交叉、变异操作,直至达到终止条件,选择最优的权值和阈值更新所述初始BP神经网络模型的权值和阈值,得到优化的BP神经网络模型;
所述种群参数包括种群规模、最大遗传代数、交叉概率及变异概率。
10.根据权利要求7所述的光纤预制棒一次拉伸工艺参数预测装置,其特征在于,所述第三训练单元,被配置为:
依据所述训练集中的棒径参数和对应的拉伸工艺参数对所述优化的BP神经网络模型进行训练,计算所述优化的BP神经网络模型的预测值与期望值的误差,通过误差逆向传播更新所述优化的BP神经网络模型的权值和阈值,直至达到迭代次数或预测值与期望值的误差小于设定值,得到所述预设的BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978830.7A CN112100940A (zh) | 2020-09-17 | 2020-09-17 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978830.7A CN112100940A (zh) | 2020-09-17 | 2020-09-17 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112100940A true CN112100940A (zh) | 2020-12-18 |
Family
ID=73759751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010978830.7A Pending CN112100940A (zh) | 2020-09-17 | 2020-09-17 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100940A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190979A (zh) * | 2021-04-16 | 2021-07-30 | 华中科技大学 | 一种基于神经网络光纤涡旋模式工程的方法 |
CN113449930A (zh) * | 2021-07-27 | 2021-09-28 | 威海长和光导科技有限公司 | 一种基于bp神经网络的光纤预制棒制备质量预测方法 |
CN113860725A (zh) * | 2021-10-14 | 2021-12-31 | 中天科技光纤有限公司 | 一种拉丝机升速阶段的控制系统、方法及存储介质 |
CN113988354A (zh) * | 2021-08-04 | 2022-01-28 | 中山大学 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
CN114004341A (zh) * | 2021-11-15 | 2022-02-01 | 威海长和光导科技有限公司 | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 |
CN115796707A (zh) * | 2023-02-02 | 2023-03-14 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
CN116681702A (zh) * | 2023-08-03 | 2023-09-01 | 山东华光新材料技术有限公司 | 一种光纤预制棒的一次拉伸评估方法及系统 |
CN117577247A (zh) * | 2024-01-16 | 2024-02-20 | 山东省科院易达信息科技有限公司 | 一种预测锡碲化物热电材料合成参数的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
CN109508488A (zh) * | 2018-11-07 | 2019-03-22 | 西北工业大学 | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 |
WO2019136772A1 (zh) * | 2018-01-11 | 2019-07-18 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
CN111652402A (zh) * | 2019-03-04 | 2020-09-11 | 湖南师范大学 | 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法 |
-
2020
- 2020-09-17 CN CN202010978830.7A patent/CN112100940A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
WO2019136772A1 (zh) * | 2018-01-11 | 2019-07-18 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
CN109508488A (zh) * | 2018-11-07 | 2019-03-22 | 西北工业大学 | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 |
CN111652402A (zh) * | 2019-03-04 | 2020-09-11 | 湖南师范大学 | 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法 |
Non-Patent Citations (1)
Title |
---|
赵海伦;张贤根;: "光纤预制棒智能制造技术研究与实践", 智能制造, no. 03, 17 March 2020 (2020-03-17) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190979A (zh) * | 2021-04-16 | 2021-07-30 | 华中科技大学 | 一种基于神经网络光纤涡旋模式工程的方法 |
CN113190979B (zh) * | 2021-04-16 | 2024-04-23 | 华中科技大学 | 一种基于神经网络光纤涡旋模式工程的方法 |
CN113449930A (zh) * | 2021-07-27 | 2021-09-28 | 威海长和光导科技有限公司 | 一种基于bp神经网络的光纤预制棒制备质量预测方法 |
CN113988354A (zh) * | 2021-08-04 | 2022-01-28 | 中山大学 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
CN113860725A (zh) * | 2021-10-14 | 2021-12-31 | 中天科技光纤有限公司 | 一种拉丝机升速阶段的控制系统、方法及存储介质 |
CN114004341A (zh) * | 2021-11-15 | 2022-02-01 | 威海长和光导科技有限公司 | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 |
CN115796707A (zh) * | 2023-02-02 | 2023-03-14 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
CN116681702A (zh) * | 2023-08-03 | 2023-09-01 | 山东华光新材料技术有限公司 | 一种光纤预制棒的一次拉伸评估方法及系统 |
CN116681702B (zh) * | 2023-08-03 | 2023-10-17 | 山东华光新材料技术有限公司 | 一种光纤预制棒的一次拉伸评估方法及系统 |
CN117577247A (zh) * | 2024-01-16 | 2024-02-20 | 山东省科院易达信息科技有限公司 | 一种预测锡碲化物热电材料合成参数的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100940A (zh) | 光纤预制棒一次拉伸工艺参数预测方法及装置 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
CN113361680A (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN113051769B (zh) | 基于非对称损失与混合智能优化算法的功率曲线建模方法 | |
CN111832101A (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN116680657B (zh) | 一种功能塑料母粒的加工控制方法及系统 | |
CN105117326A (zh) | 一种基于组合混沌序列的测试用例集生成方法 | |
CN116187507A (zh) | 一种基于人工智能的中药生产调优系统 | |
CN105184415A (zh) | 一种配电网络重构设计方法 | |
CN115391385A (zh) | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 | |
CN113449930A (zh) | 一种基于bp神经网络的光纤预制棒制备质量预测方法 | |
CN107545101A (zh) | 一种设计目标与设计变量均为区间的优化设计方法 | |
CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
CN112990776B (zh) | 一种配网设备健康度评价方法 | |
CN114422262A (zh) | 一种基于自动机器学习的工控网络入侵检测模型构建方法 | |
CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN114841038B (zh) | 复杂载荷下核电站一回路管路支架布置的智能设计方法 | |
CN112084596B (zh) | 一种层板结构参数的智能推荐系统及推荐方法 | |
CN115034070A (zh) | 一种基于多目标优化和vikor方法的复杂机械产品的选择装配优化和决策方法 | |
CN114004341A (zh) | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |