TY - JOUR A2 - Saravanan，R. AU - Gowdru Chandrashekarappa，Manjunath帕特尔AU - 克里希纳·普拉萨德·AU - Parappagoudar，马赫什B. PY动态 - 2014 DA - 2014年10月27日TI - 为挤压铸造工艺正向和反向过程模型基于神经网络的途径SP - 293976 VL消息 - 2014年AB - 目前的研究工作集中于开发的智能系统，建立了输入输出关系利用正向和反向人工神经网络的映射。正向映射旨在预测从已知的一组的挤压铸造工艺参数如时间延迟，压力持续时间的密度和二次枝晶臂间距（SDAS），挤出压力，浇注温度，和模头温度。尝试也为满足发展中反向模型来预测推荐挤压铸造参数所需的密度和SDAS的工业需求。两种不同的基于神经网络的方法已经被提出了开展上述任务，即BP神经网络（BPNN）和遗传神经网络（GA-NN）。采用两种监督学习的网络培训的批处理模式，需要大量的训练数据。巨大的训练数据的需求在衍生通过实际试验开展较早同一作者使用随机回归方程人工生成。BP神经网络和GA-NN模型的性能进行了他们之间与回归十测试用例进行比较。结果表明，这两种模式能够更好地预测和模型可以在车间被有效地用于为所需输出最有影响力的参数选择。SN - 1687-9724 UR - https://doi.org/10.1155/2014/293976 DO - 10.1155 /二十九万三千九百七十六分之二千○一十四JF - 应用计算智能与软计算PB - Hindawi出版公司公司KW - ER -