人工神经网络方法用于PC／ABS材料定量分析
人工神经网络
人工神经网络（ANN）又称神经网络，是在现代神经科学研究成果的基础上，对生物神经系统的结构和功能进行数学抽象、简化和模仿而逐步发展起来的一种新型信息处理和计算系统。
由于人工神经网络具有自学习、高容错、高度非线性描述能力等优点，现已广泛应用于经济、机器人和自动控制、军事、医疗、化学等领域［l ~ 3］，并取得了许多成果。
本文简要介绍人工神经网络的原理和特点，论述人工神经网络在高分子科学与工程领域的应用。
橡胶配方是决定橡胶制品性能的关键因素，由于材料配方与制品性能之间存在很复杂的非线性关系，多数情况下无法建立完整精确的理论模型，只能借助于回归方法得到经验公式。
传统的回归方法存在以下局限性：(1)使用不同的回9j方法可获得不同的经验公式，导致经验公式的繁多和不一致；(2)当配方项目及性能指标项目较多时，采用回归公式无法完全再现实验数据；(3)当实验进一步完善，实验数据增多的时候．其他人员再进行回归时，如果无法找到原来的回归方法、程序和实验数据，原来的回归公式将不能被利用，造成一定的浪费。
随着计箅机的发展而出现的人工神经网络是人工智能方法．它不像回归方法那样，需预先给定基本函数，而是以实验数据为基础．经过有限次的迭代计算而获得的一个反映实验数据内在联系的数学模型，具有极强的非线性处理、自组织调整、自适应学习及容错抗噪能力，特别适用于研究像材料配方与制品性能之间关系的复杂非线性系统特性【¨】。
因此，人们开始将人工神经网络应用于橡胶配方设计”J。
随着橡胶制品在各领域应用的拓展，橡胶配方设计变得越来越重要。
人们进行橡胶配方设计主要有3个目的：提高制品的性能；改善加工工艺；降低生产成本。
传统的橡胶配方设计方法有全因素设计、正交试验设计n_3]、均匀设计[4‘60等，而这些配方设计试验数据的处理方法无外乎方差分析和回归分析口]。
由于材料的配方和性能之问存在非常复杂的非线性关系，回归分析只适合于单目标优化数据处理的模型，对于不同的性能，需要建立不同的模型，因此将其应用于配方设计有一定的局限性。
人工神经网络在建筑工程造价预算中的应用
人工神经网络在建筑工程造价预算中的应用摘要：影响建筑工程造价准确性的一个重要因素是建筑材料的价格波动。
以螺纹钢为例，采用人工神经网络开展了建筑材料价格的预测。
研究结果表明，人工神经网络能够有效地预测建筑材料未来的价格走势，从而为工程造价预算提供建筑材料的价格走势，提高造价预算的准确度。
关键词：工程造价，人工智能，预算引言对建筑工程造价进行科学有效的测算和控制，会使工程造价的组成比较合理，进而节约工程开销成本。
现在，经典的建筑工程造价测算方法主要有下面几种：定额法、类比工程法、回归分析法和模糊数学法。
其中，定额法必须对定额成本、定额差异和定额变动差异进行单独核算，任务较重，现实中很难实施；类比工程法是通过类比工程的相似性实现工程造价的测算，该方法估算准确度不够高；回归分析法的估算准确度同样不高，该方法将很多重要因素忽略了；模糊数学法是通过模糊数学的思想对工程造价进行估算，该方法的不足主要是特征隶属度不好准确确定。
由于人工神经网络可以自学并进行推理，本文通过人工神经网络和Vague集贴近度理论对住宅楼的工程造价进行估算和控制，可以为建筑工程造价估算提供很好的服务。
1概述随着我国经济不断进步，城市化过程不断发展，人们对于各类型建筑的需求也在日益提升，建筑企业得到了蓬勃发展。
与建筑企业盈利水平密切的工程造价也逐渐成为企业广泛关注的热点和难点问题之一。
建筑工程造价是指建筑活动中企业的总成本，工程造价预算通常包括建筑安装工程的成本、建筑设备购置及租赁费用、建筑规划筹备费用、工程期间贷款利息等费用，建筑工程造价的准确预算能够减小企业不合理的投入，控制项目的支出，实现企业利润的最大化。
2建筑工程造价预算的重要性在建筑企业的成本管控环节，工程造价预算具有重要作用。
主要表现在三个方面：一是工程造价预算管控能提前保障工程的顺利开展。
即做好工程造价预算，将有效规避或者减少因造价控制不完善而导致的部分设计变更、返工等问题；二是工程造价预算直接关系到工程决算的盈利情况，控制工程造价对建设单位、施工单位等缩减资金具有重要作用，能指导建设单位、施工单位将有限的资源投入到最需要、能最大限度提高企业经济效益的地方；三是作为一项重要参考指标，能够帮助企业明确各项目的总体发展方向。
人工神经网络评价方法
输出
o
f
(net)
1
1 en
et
f (net) o(1o)
net=0时，o取值0.5，net落在(-0.6,0.6)之间，o的变化率较大， 收敛比较快，应把net控制在这个范围内。
人工神经网络评价方法
25
网络的拓扑结构
输入向量、输出向量的维数及隐藏层层数，隐藏 层神经元数由问题决定。 多数情况下，BP网络选用二级网络
对每一个神经元来说都会接受一组输入信号，每 个输入信号都对应一个权，所有输入的加权和决定该 神经元的激活状态。
设：Ｘ＝（ｘ1，x2，．．．，xn） W=(w1，ｗ２，．．．，ｗｎ)
输入向量 联接权向量
neti=∑xiwi 网络输入
net=XW
人工神经网络评价方法
8
激活函数
希望人工神经元有一个更一般的变换函数，用来 执行该神经元所获得的网络输入的变换，这就是 激活函数。
调整W(h); h=h-1
E=E/2.0
人工神经网络评价方法
30
三、算法的改进
for h=1 to M do
初始化W(h);
初始化精度控制参数ε
E= ε+1
While E> ε do
E=0; 对S中的每一个样本(Xp, Yp):
计算出Xp对应得的实际输出 Op; 计算出Ep; E=E+Ep; 对所有i,j,：计算
人工神经网络评价方法
16
分层结构
单级横向反馈网 多极网
层次划分 非线性激活函数
循环网
人工神经网络评价方法
17
六、人工神经网络的训练
训练：将由样本向量构成的样本集合输 入到人工神经网络的过程中，按照一定 方式调整神经元之间的联接权，使得网 络在接受输入时可以给出适当的输出。
保险行业风险评估与预警系统设计
保险行业风险评估与预警系统设计第一章风险评估与预警系统概述 (2)1.1 保险行业风险概述 (3)1.2 风险评估与预警系统的重要性 (3)1.3 系统设计原则与目标 (3)第二章保险行业风险类型与识别 (4)2.1 保险行业风险类型 (4)2.1.1 市场风险 (4)2.1.2 信用风险 (4)2.1.3 操作风险 (4)2.1.4 法律风险 (4)2.1.5 环境与社会风险 (4)2.1.6 系统性风险 (4)2.2 风险识别方法 (4)2.2.1 定性分析 (4)2.2.2 定量分析 (5)2.2.3 混合方法 (5)2.3 风险识别流程 (5)2.3.1 风险识别准备 (5)2.3.2 风险识别实施 (5)2.3.3 风险识别结果整理 (5)第三章保险行业风险评估方法 (5)3.1 定性评估方法 (5)3.2 定量评估方法 (6)3.3 综合评估方法 (6)第四章数据收集与处理 (6)4.1 数据来源与类型 (6)4.2 数据处理方法 (7)4.3 数据质量控制 (7)第五章模型构建与选择 (8)5.1 风险评估模型 (8)5.1.1 逻辑回归模型 (8)5.1.2 决策树模型 (8)5.1.3 随机森林模型 (8)5.1.4 支持向量机模型 (8)5.2 预警模型 (8)5.2.1 时间序列分析模型 (8)5.2.2 神经网络模型 (9)5.2.3 机器学习模型 (9)5.3 模型选择与优化 (9)第六章系统架构设计 (9)6.1 系统总体架构 (9)6.1.1 架构概述 (9)6.1.2 架构组成 (9)6.2 系统模块设计 (10)6.2.1 模块划分 (10)6.2.2 模块功能描述 (10)6.3 系统集成与接口设计 (11)6.3.1 系统集成 (11)6.3.2 接口设计 (11)第七章系统功能实现 (11)7.1 风险评估功能 (11)7.1.1 功能概述 (11)7.1.2 功能实现 (11)7.2 预警功能 (12)7.2.1 功能概述 (12)7.2.2 功能实现 (12)7.3 报表输出与查询功能 (12)7.3.1 功能概述 (12)7.3.2 功能实现 (12)第八章系统安全与稳定性 (13)8.1 系统安全策略 (13)8.1.1 物理安全 (13)8.1.2 数据安全 (13)8.1.3 网络安全 (13)8.2 系统稳定性保障 (14)8.2.1 系统架构设计 (14)8.2.2 负载均衡 (14)8.2.3 容灾备份 (14)8.2.4 功能优化 (14)8.3 系统故障处理 (14)8.3.1 故障分类 (14)8.3.2 故障处理流程 (14)8.3.3 故障处理措施 (15)第九章系统实施与推广 (15)9.1 系统实施流程 (15)9.2 系统推广策略 (15)9.3 系统维护与升级 (16)第十章风险评估与预警系统应用案例 (16)10.1 保险行业风险评估案例 (16)10.2 保险行业预警案例 (16)10.3 应用效果分析 (17)第一章风险评估与预警系统概述1.1 保险行业风险概述保险行业作为金融服务的重要组成部分，承担着为社会各类风险提供保障的重要职责。
人工神经网络在材料加工中的应用
人工神经网络在材料加工中的应用
谢谢！
二、国内外研究、应用现状
3.相变规律的预测
与热力学和动力学方法预测相变相比,人工神经网络方法不需要 知道相变的具体过程和热力学参数,而是以已有的实验数据为基础, 经训练后进行推理,适用于己有大量数据积累的场合。
二、国内外研究、应用现状
4.力学性能的预测
材料力学性能是结构材料最主要的性能。力学性能受 材料组织结构、成分、加工过程的影响,是一个影响因素 较多的量。近年来采用人工神经网络的方法预测钢的力学 性能,表明多元数据分析能用来改进神经网络的预测质量, 并对预测结果提供解释。
3.6.2 长期学习：长期学习采用离线的形式，在不影响正常生 产的情况下去训练神经网络，得到网络的权值并保存在数据库中。 离线学习在一台独立的计算机上进行，可以起到对神经网络微调的 作用。
3.6.2 短期学习：在线使用时，如果发现网络的输出结果出现 较大的偏差或者是错误的结果，通过实时数据的学习修改神经网络 的输出结果进行调整，短期学习起到对神经网络粗调的作用。
二、国内外研究、应用现状
2.1材料设计与成分优化
所需性能
训练 神经网络
数据库
Yes
No
优化
参考材料
知识库
评价
No
预测
验证
Yes
结束
二、国内外研究、应用现状
2.材料加工的智能控制与工艺优化
通过检测与生产过程相关的一系列动态信号,从中提取 特征参数作为神经网络的输入,网络的输出则为所识别的 工艺系统的状态。通过对网络的训练,掌握控制对象的非 线性函数关系,从而作出相应的控制决策,以实现对生产过 程的在线控制。
人工神经网络在材料加究方向 ：
轧制自动化
人工神经网络在化工工艺过程优化中的应用研究
人工神经网络在化工工艺过程优化中的应用研究人工神经网络（Artificial Neural Networks，ANN）作为一种模拟人类神经系统运作的数学模型，已经在许多领域中被广泛应用。
化工工艺过程优化是其中之一。
本文旨在探讨人工神经网络在化工工艺过程优化中的应用研究。
化工工艺过程优化是指利用现代信息技术对化工生产过程进行智能化管理和控制，以提高生产效率、降低能耗和环境污染。
传统的化工工艺过程优化方法通常依赖于经验公式和统计模型，这些方法在某些情况下具有局限性。
相比而言，人工神经网络作为一种模拟人脑工作原理的计算模型，能够从数据中自动提取特征，并通过非线性映射实现对复杂系统的建模和优化。
首先，人工神经网络在化工工艺过程优化中的应用广泛涉及建模和预测。
通过对已有数据进行训练，人工神经网络能够学习到不同变量之间的复杂关系，并能够预测未来的变量值。
例如，在化工生产过程中，通过输入不同变量的数据，如温度、压力、浓度等，并结合对应的产量数据，可以训练出一个人工神经网络模型，用于预测在给定条件下的产量。
这种方法可以帮助工程师对不同的工艺参数进行优化，以达到最佳的产量和能源利用效率。
其次，人工神经网络在化工工艺过程中的应用还包括故障检测与诊断。
传统的故障检测方法通常只能检测到明显的故障，而对于一些隐蔽的故障往往无法及时发现。
人工神经网络通过学习正常运行时的数据模式，能够对异常情况进行检测，并提供实时的故障诊断。
例如，对于一个反应釜，通过将传感器数据输入到训练好的人工神经网络模型中，可以对反应釜的异常状态进行检测，如温度过高、压力异常等，并及时发出警报。
这样可以有效地避免生产过程中的故障导致的生产停滞和损失。
另外，人工神经网络还能够应用于化工工艺优化中的过程控制。
过程控制是保证化工生产过程稳定运行的关键环节。
传统的过程控制方法通常基于数学模型，但这些模型往往不能完全准确地描述复杂的非线性关系。
而人工神经网络作为一种基于数据驱动的建模方法，能够根据实际运行数据进行训练，并在不断学习和优化的过程中逐步提高控制效果。
人工神经网络用于建筑工程领域的数据处理方法
人工神经网络用于建筑工程领域的数据处理方法摘要:本文在阐述人工神经网络的发展过程中，对其在当前建筑工程领域的应用进行分析和探索，通过对当前建筑工程实际操作过程中存在的欠缺和不足进行分析，探究人工神经网络能够对建筑工程带来的重要意义和影响，并为人工神经网络在今后诸多领域的应用提供相应的参考。
关键词：人工神经网络；建筑工程；处理方法人工神经网络是对人脑或自然神经网络的抽象和模拟，其结构由神经元、互连模式和学习规则构成，其核心组成部分即是人工神经元。
人工神经网络每个神经元接收其相邻神经元的输入，每个输入量对应一个相关联的权重，加权值之和通过激活函数后的结果即是该神经元的输出信号。
人工神经网络首先为神经元之间的连接权重分配随机值，在训练过程中，根据所定义的损失函数不断调整神经元权重和阈值，直到输出误差缩小到预期内结束。
损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”的函数，用来评估神经网络输出值与真实值的偏差程度。
通过这种学习规则，神经网络调整权值向目标假设空间不断优化，实现不同的功能。
人工神经网络是基于多系统单元结合成为的密集型网络，去其构建与发展旨在通过对人脑组织信息进行探索与研究总结人脑的主要特点，并通过对人体大脑系统进行仿真模拟，实现具备自主化学习的非线性持续变化过程。
神经元网络的发展需要借助多向神经元都有数据信息，在建筑工程的发展应用中主要通过元件搭设的方式来实现信息的交流与采集。
一、人工神经网络的发展人工神经网络的发展源自上世纪40年代，然而直到40年过后，神经网络才真正意义上进入高速发展的时期，自此之后的相关数据研究和技术分析也都呈现出更加宽广的发展形势其所涵盖的内容与专业也在逐步增加。
现如今随着神经网络分析都不断发展壮大，其目前主要涵盖了包括人工神经、电子信息以及智能设备等专业，并且通过与数学与计算机网络技术相辅相成，在智能设备终端领域取得了蓬勃的发展态势。
人工神经网络在材料科学与工程中的应用
ANN的信号传递过程
如果输入神经网络一组数据（或输入模式或矢量），在网络输入层 的每个单元都接受到输入模式的一小部分，然后输入层将输入通过连 接传递给中间层。
中间层接受到整个输入模式，但因输入信号要通过单元间加有权重 连接的传递，到中间层的输入模式已被改变。由于权重的影响，中间 层单元有的更加活动，中间层的输出就与输入层大不相同，有的单元 没有输出，有的单元输出则很强。 一般情况下，中间层单元将输入信号传递给输出层的全部单元。输 出单元从中间层单元接受输出活动的全部模式，但中间层往输出层的 信号传递仍要经过有权重的链接，所以输出层单元接受到的插入模式 已与中间层的输出不同。输出层单元有的激发、有的抑制，产生相应 的输出信号。输出层单元的模式就是网络对输入模式激励的总的响应。
θi
αj
yj
式中αj（t）和 θj（t）分别表示神经 元的一个与时间有关的活动状态和 阈值，Wij表示神经元之间的连接强 度的权值。
其中，f，g为某一函数，当神经元没有内部状态，即g（ αj）= αj 时，神经元的输出为：
y j f (Wij X j i )
i 1
n
该模型表明：神经元可以有许多输入，所有这些输入 都是同时传送给神经元的。神经元是否被激发、激发的 强弱强度，取决于输入信号的权重和、阈值和传递函数。
材料设计的范围 材料设计的工作范围可用下图表示，它包括 材料的制备到试用的整个过程。 对于合金而言，人们已经从大量的合金元素 含量、各种工艺参数及组织参数和性能参数中找 到一些“性能——显微组织——成分、工艺”之 间的相互关系。借助这些关系，人们可以合理设 计合金、优化工艺参数，以获得所需要的性能。
X1
左图中神经元j有一个输入集合 {X1，X2，…Xn}和一个单位输出 yj，其数学描述如下式：
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
近红外光谱 与其相应 的 Ａ Ｓ Ｂ 含量进行拟合建模。 运用 Ａ Ｎ算 法处 理 近红 外光谱 ， 以产 生非 线 Ｎ 可
性定 性 、 定量模 型 。Ａ Ｎ组 件 采 用 目前 较 流行 的误 Ｎ
差 回传 （ Ｐ 算法 。前 馈 型 Ｂ Ｂ） Ｐ网络 即误 差拟传 播 神 经 网络 是实 现映射 变换 的前馈 型 网络 中使用最 多 的
（ 中国兵 器工业集 团第 五三研究 所， 济南 ２ ０ ３ ） ５０ １
摘要
关键词
采用人工神 经网络 （ Ｎ 算法建立 了不 同共混 比的 Ａ Ｓ Ｐ Ａ Ｎ） Ｂ ／ Ｃ样品 的近红外 光谱 数据与共 混 比的 定量校
近 红 外光 谱 共混聚合物 人 工神 经 网络
正模型 ， 并对校 正模型的准确性进行 了验证 。实验 分析结果表明 ， 方法适合 于高分子材料共混 比的测定 。 该
幽 １ 人 工 神 经 网 络 的 多 输 出结 点模 型
就 结构 而 言 ， ３层 Ｂ Ｐ网络 是 一个典 型 的前 馈 型 层次 网络 ， 它被 分 为 输 入 层 Ｌ 隐含 层 Ｌ 输 出层 Ａ、 Ｂ、
Ｌ Ｃ。同层节 点 间无 关 联 ， 层 网络 元 间 向前 连 接 。 异
滚筒式混合机混合 ， 混合后立 即分装成小包装 ， 在分
高分 子新 材料 主要 是通 过 合金 化 、 掺混化 、 复合 化等 手段 对 现 有 材 料 进 行 改 性 而 制 得 。 聚碳 酸 酯 （ Ｃ 和 丁二烯 一苯 乙烯 一丙 烯 腈 共 聚 合 物 （ Ｂ ） Ｐ） Ａ Ｓ
可通过 任何 比例 共 混 ， 工 成 型 中不会 因膨 胀 不 均 加 而增加 材 料 的内应 力 ， 共混 物 表 现 出 良好 的 冲击 强 度 、 曲性 、 挠 刚性 、 耐热性 和较 宽 的加 工温 度范 围 ， 通 过改性 改 善 了各 自的 耐化学 品性 和低 温 韧性 。但 由
出相 对 应 ；Ｂ层节 点 的数 目 １可 根据需 要设 置 。 Ｌ Ｓ ３层前 馈 型 Ｂ Ｐ网络存 贮 知识 （ 即调 整 网络连 接
收稿 日期 ：０ ６ １—６ ２ ０ ．１０
将 采集 的 ５ ７个 样 品 的近 红 外 光谱 分 成 校 正 集 样品 ４ １个 和检验 集 样 品 ｌ ， ６个 采用 ＭＣ ， 元 Ａ １０多 校正 定量 分析 软 件 中的 Ａ Ｎ算 法 ， ４ Ｎ 将 １个 样 品 的
光谱的信噪 比低 ， 造成光谱中背景复杂 、 谱峰重叠等
不足， 通过 算法 和计 算 机技 术 进 行 光 谱 数 据 的解 析 和处 理 ， 近 年来 的研 究 热 点 【 。笔 者 采 用人 工 神 是 ２ Ｊ 经 网络 （ Ｎ 技 术 对 Ａ ｓ Ｐ Ａ Ｎ） Ｂ ／ Ｃ二 元 混 合 体 系 的 近 红 外光谱 数 据进 行 分析 建模 以测 定 共 混 比 ， 果 显 结 示该 方法 建模 效 果令 人满 意 。
分 辨率 ： ｍ一， 描次数 ：４ ８ｃ 扫 ６。
２ 建模 软件 及原 理
于这两种材料的溶解 性相近， 通常的溶解萃取分离
手段 无法 对 其进行 定 量分 析 。近红 外分 析 作为一 种 快速 、 损 、 无 多组 分 同 时 分 析 的技 术 ， 在诸 多领 域 中
被 广泛 应用 … 。但近 红 外 光 谱 区 的 吸 收强 度 较 弱 、
类 网络 ， 是 研 究 最 多 的 、 知最 清 楚 的一 类 网 也 认 络［ 。 ３ ３
一 一
个典 型 的 ３层 前 馈 型 Ｂ Ｐ网络 的 拓扑 结 构 如
１ １ 主要仪 器Biblioteka 材料 ．图 １ 示。 所
傅 立 叶变换 近红 外 光谱 仪 ：Ｒ Ｃ Ｅ ２０ 德 国 Ｂ Ｕ Ｋ Ｒ６ ，
１３ 近红 外光谱 数 据 的采集 ，
在 恒 温 （５ ） 湿 （ 对 湿 度 ６ ％ ） 条 件 ２℃ 恒 相 ５ 的 下， 开机 预热 ２ｈ 。将 Ａ Ｓ Ｐ Ｂ／ Ｃ共 混样 品进 行依 次 编 号 ， 用傅 立 叶变换 近红 外 光 谱 仪 依 次 采集 混 合 颗 应 粒漫 反射 光谱 数据 ， 谱 范 围 ： Ｏ 光 ３ Ｏ一１ ００ｃ ９ ２ ０ ｍ一，
析 前再 次混 匀 。 由于 Ａ ＳＰ Ｂ 、Ｃ等聚合 物均 具 有 一定
其 中 ，Ａ层 含 ｍ 个 节 点 ， 应 于 Ｂ Ｌ 对 Ｐ网 络可 感 知 的
ｍ个 输入 ； Ｃ层含有 ｎ个节 点 ， Ｂ Ｌ 与 Ｐ网络 的 ｎ种输
的吸湿性 ， Ｐ 如 ｃ在空气 中存 放一定时间后 ， 吸水率
可达 ３５ ， 此 在 共 混 之 前 ， 须 进 行 干 燥 ， 去 ．％ 因 必 除 其 中的水 分 。采用 真 空 低 温 条 件 ， 以提 高 聚 合 物 可 内部 的水 分 子 向表面 扩散 的速度 。
Ｂ ｕ ｋｒ 司 ； ｒｃ ｅ 公
ＬＣ
Ａ Ｓ Ｐ ７７ 台湾奇 美实 业股 份有 限公 司 ； Ｂ ：Ａ ５ ，
Ｐ ： Ｅ Ａ １ １ Ｇ ｌ ｔ Ｃ Ｌ Ｘ Ｎ ４ ， Ｅ Ｐａ ｉ ｓ ｃ上海 有 限公 司。
１ ２ 样 品制 备 ．
Ｌ Ｂ
ＬＡ
采用 粒 料机 械 混合 工 艺 制 备 粒 状 试 样 ， 种 工 这 艺需 要考 虑原 料 的粒度 和 因密度 不 同而 引起 的组 分 间 的 分 层 ， 以 分 析 之 前 必 须 充 分 混 匀 。采 用 以 所 １０份 Ａ Ｓ为基 础 ， 次 添 加 一 定 份 数 的 Ｐ 采 用 ０ Ｂ 依 Ｃ，
维普资讯
化学 分析计 量
２０ ０ ６年 ， ｌ ， ６期 第 ５卷 第
人 工 神 经 网络 方 法 用 于 Ｐ ／ Ｂ Ｃ Ａ Ｓ材 料 定 量 分 析
吴 立军 尤 瑜生 冯典英 毛 如增 王永连
牟 清虹
（ 中国第一重型机械集团公司 ， 齐齐哈尔 １ １４ ） ６０２