杨榛
,
顾幸生
,
梁晓怿
,
张睿
,
凌立成
新型炭材料
doi:10.3969/j.issn.1007-8827.2007.04.011
在炭材料黏结剂添加剂改性实验数据的基础上,将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系,建立了添加剂改性炭材料黏结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型,并与BP(Back-Propagation逆传播)人工神经网络进行了预报精度和训练过程比较.结果表明:上述两种模型对于黏结强度的预报平均相对误差分别为0.012 7和0.060 0,且BP人工神经网络易陷入局部最小.因此,RBF神经网络模型的预报能力较好,得出了具有较精确黏结性能的添加剂配方和热处理数据.可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率,为炭材料黏结剂提供一条有应用前景的理论设计途径.
关键词:
炭材料
,
高温黏结剂
,
剪切强度
,
RBF人工神经网络
杨榛
,
顾幸生
,
梁晓怿
,
凌立成
材料导报
综述了模式识别和神经网络两种智能理论用于复合材料设计及优化方法,举例说明两种智能方法在复合材料优化设计中性能预测、仿真建模、工艺优化等多领域的应用价值和研究进展,分析讨论了两智能理论应用于材料设计研究时的主要问题及其解决方案,并对其发展方向提出了若干建议.
关键词:
复合材料优化设计
,
模式识别
,
神经网络
周翔
,
姜婷婷
,
徐丹
,
杨榛
,
梁剑平
,
王亮
原子核物理评论
doi:10.11804/NuclPhysRev.33.04.500
利用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)方法估计Logistic回归模型中的参数,就是要构造一个以参数的后验分布为其平稳分布的非周期不可约的马尔可夫链,然后用该平稳分布中抽出的样本点计算蒙特卡罗积分.上述理论方法可以解决实验样本数据由于存在定和约束和多重共线性、在进行经典的logistic回归建模时的困难问题.基于此方法,研究了丁酸梭菌株对于给定辐照区间剂量的应答趋势,用模型挖掘数据所隐含的内在信息并导出了Logistic回归模型参数的贝叶斯框架下的50％,90％,95％和99％的置信区间.结果表明,运用Logistic与马尔可夫链耦合模型在有关给定辐射剂量对于微生物作用效果问题的logistic回归建模中具有较大的科学性与很好的使用性,从而可以为辐照诱变处理微生物制定辐照剂量区提供理论支持和回归技术借鉴.
关键词:
Logistic回归
,
马尔可夫链
,
辐射剂量
,
丁酸梭菌
杨榛
,
乔文明
,
梁晓怿
新型炭材料
doi:10.1016/S1872-5805(17)60108-2
如何控制和预测孔结构是炭气凝胶研究的重要课题.然而,由于耗时耗财,导致实验方法研究控制和预测孔结构成为难题.本文提出一种基于神经网络的炭气凝胶孔结构的预测与优化模型,并采用遗传算法设计和优化模型,对六种典型训练算法模型性能进行比较分析.利用该模型对孔径和吸附容量进行预测,两者的预测相关系数分别为0.992和0.981,预测均方根误差分别为0.077和0.054.经测试,该模型与实验研究的结果相符,并有效的应用于预测和控制炭气凝胶实验参数.
关键词:
炭气凝胶
,
孔结构
,
神经网络
,
训练算法
,
模型
