基于RBF神经网络的干燥机HOQ模板自动生成模型

合集下载

径向基神经网络RBF介绍

径向基神经网络RBF介绍径向基神经网络（Radial Basis Function Neural Network，以下简称RBF神经网络）是一种人工神经网络模型。

它以径向基函数为激活函数，具有快速学习速度和较高的逼近能力，被广泛应用于函数逼近、模式识别、时间序列预测等领域。

下面将详细介绍RBF神经网络的基本原理、结构和学习算法。

1.基本原理：RBF神经网络由输入层、隐藏层和输出层组成。

输入层接收外部输入数据，隐藏层由一组径向基函数组成，输出层计算输出值。

其基本原理是通过适当的权值与径向基函数的线性组合，将输入空间映射到高维特征空间，并在该空间中进行线性回归或分类。

RBF神经网络的关键在于选择合适的径向基函数和隐藏层节点的中心点。

2.网络结构：隐藏层是RBF神经网络的核心，它由一组径向基函数组成。

每个径向基函数具有一个中心点和一个半径。

典型的径向基函数有高斯函数和多项式函数。

高斯函数的形式为：φ(x) = exp(-β*，x-c，^2)其中，β为控制函数衰减速度的参数，c为径向基函数的中心点，x为输入向量。

隐藏层的输出由输入向量与每个径向基函数的权值进行加权求和后经过激活函数得到。

输出层通常采用线性激活函数，用于输出预测值。

3.学习算法：RBF神经网络的学习算法包括两个步骤：网络初始化和权值训练。

网络初始化时需要确定隐藏层节点的中心点和半径。

常用的方法有K-means 聚类和最大极大算法。

权值训练阶段的目标是通过输入样本和对应的目标值来调整权值，使得网络的输出尽可能接近目标值。

常用的方法有最小均方误差算法（Least Mean Square，LMS）和最小二乘法。

最小均方误差算法通过梯度下降法修改权值，使网络输出的均方误差最小化。

最小二乘法则通过求解线性方程组得到最优权值。

在训练过程中，需要进行误差反向传播，根据输出误差调整权值。

4.特点与应用：RBF神经网络具有以下特点：-输入输出非线性映射能力强，可以逼近复杂的非线性函数关系；-学习速度较快，只需通过非线性映射学习输出函数，避免了反向传播算法的迭代计算；-具有较好的泛化能力，对噪声和异常数据有一定的鲁棒性。

神经网络控制(RBF)

神经网络控制(RBF)神经网络控制（RBF）是一种基于径向基函数（RBF）的神经网络，用于控制系统，其主要功能是通过对输入信号进行处理来实现对系统输出的控制。

通过神经网络控制，控制器可以学习系统的动态行为和非线性模型，从而使得控制器能够自适应地进行调整和优化，实现对系统的精确控制。

RBF 网络通常由三层组成：输入层、隐藏层和输出层。

输入层接受系统的输入信号，并将其传递到隐藏层，隐藏层对输入数据进行处理并输出中间层的值，其中每个中间层神经元都使用一个基函数来转换输入数据。

最后，输出层根据隐藏层输出以及学习过程中的权重调整，计算并输出最终的控制信号。

RBF 网络的核心是数据集，该数据集由训练数据和测试数据组成。

在训练过程中，通过输入训练数据来调整网络参数和权重。

训练过程分为两个阶段，第一阶段是特征选择，该阶段通过数据挖掘技术来确定最优的基函数数量和位置，并为每个基函数分配一个合适的权重。

第二阶段是更新参数，该阶段通过反向传播算法来更新网络参数和权重，以优化网络的性能和控制精度。

RBF 网络控制的优点在于其对非线性控制问题具有优秀的适应性和泛化性能。

另外，RBF 网络还具有强大的学习和自适应调整能力，能够学习并预测系统的动态行为，同时还可以自动调整参数以提高控制性能。

此外，RBF 网络控制器的结构简单、易于实现，并且具有快速的响应速度，可以满足实时控制应用的要求。

然而，RBF 网络控制也存在一些局限性。

首先，RBF 网络需要大量的训练数据来确定最佳的基函数数量和位置。

此外，由于网络参数和权重的计算量较大，实时性较低，可能存在延迟等问题。

同时，选择合适的基函数以及与其相应的权重也是一项挑战，这需要在控制问题中进行深入的技术和经验探索。

总体而言，RBF 网络控制是一种非常有效的控制方法，可以在广泛的控制问题中使用。

其结构简单，性能稳定，具有很强的适应性和泛化性能，可以实现实时控制，为复杂工业控制问题的解决提供了一个重要的解决方案。

基于RBF神经网络的时延预测模型与仿真

２基于ＲＢＦ神经网络时延预测模型仿真
２．１ＲＢＦ神经网络ＭＡＴＬＡＢ仿真
本文用到ＭＡＴＬＡＢ工具箱中的函数，主要包括以下几种：１）ｎｅｗｒｂ函数
格式：ｎｅｔ＝ｎｅｗｒｂ［ｎｅｔ，ｔｒ］＝ｎｅｗｒｂ（Ｐ，Ｔ，ｇｏａｌ，ｓｐｒｅａｄ，ＭＮ，ＤＦ）说明：设计ＲＢＦ神经网络函数ｎｅｗｒｂ利用的是迭代方法，在该方法中每实现一次迭代相应的神经网络元就增加一个，一直到误差下降到目标误差以下或隐含层神经元个数达到最大值时迭代停止。其中Ｐ：输人矢量；Ｔ：目标矢量；ｇｏａｌ：均方误差，默认时为０；ＭＮ：最大的神经元个数；ｓｐｒｅａｄ：函数的分布，默认时为１．０；ＤＦ：迭代频率，默认时为２５。２）ｒａｄｂａｓ（）径向基传递函数格式：Ａ＝ｒａｄｂａｓ（Ｎ）ｉｎｆｏ＝ｒａｄｂａｓ（ｃｏｄｅ）说明：ｒａｄｂａｓ是径向基传递函数，计算层的输出是根据网络的输入来确定的。
神经元的线性权值和激活，采用的是非线性优化策略（公式３），而对线性权进行调整是输出层的主要任
务，网络的输出是隐含层单元输出的线性加权和，采用的是线性优化策略（公式４）。ＲＢＦ神经网络所表
收稿日期：２０１４— ０１— ２５
式中ｄ通常取值为１，这样Ｔ之后下一个时间点的Ｘ值可以根据函数ｆ来预测。通过对输入序列使用滑动窗口（ＳｌｉｄｉｎｇＷｉｎｄｏｗ），从而实现ＲＢＦ神经网络预测功能。即以连续２Ｏ步时序时延采样数据作为网络输人，网络输出时用２Ｏ步采样值的均值来实现，为了提供样本数据映射对在整个训练集上“ 滑动” （采用滑动窗口技术），来对神经网络进行训练；使得ＲＢＦ神经网络经过训练后能够较好地实现拟合时延特性。因此，如果要得到下一时刻数据的预测值，可以利用当前采样点前的２０个数据作为输入，得到的输出值可看作是预测值。其数学描述为：

基于RBF神经网络PID参数的自调节及仿真

科技与创新┃Science and Technology &Innovation·64·2017年第16期文章编号：2095－6835（2017）16－0064－03基于RBF 神经网络PID 参数的自调节及仿真史磊，王蔚（长春工业大学，吉林长春130012）摘要：鉴于传统PID 控制器不能够对参数进行严格整定的问题，提出了RBF 神经网络与传统PID 控制器相结合而进行参数自调节的一种控制算法。

该控制算法能够充分使用RBF 神经网络的自适应、自学习能力来调整系统的控制参数。

在仿真软件MATLAB2010a 上对所提出的控制算法进行了仿真研究，仿真结果表明，所提出的基于RBF 神经网络的PID 参数自校正控制算法是可行的和有效的，与传统PID 控制器相比具有更强的适应性、鲁棒性，能够达到令人满意的控制效果。

仿真结果充分说明了RBF 神经网络自适应PID 控制算法在总体上优于传统的PID 控制算法，为今后对风力发电并网逆变器的研究提供了理论和实验基础。

关键词：MATLAB2010a ；并网逆变器；PID 控制；RBF 神经网络中图分类号：TP273文献标识码：ADOI ：10.15913/ki.kjycx.2017.16.064对于传统的PID 控制器来说，它的特点是结构比较简单，应用性和适应性较其他控制均较广，可是单一的PID 控制在很多地方不能满足控制要求，校正好的控制器在一段时间之后就会出现偏差，满足不了工业控制生产要求，比如在时变对象和非线性系统领域就不能够满足工业生产要求。

此文就在原控制器基础之上提出了将RBF 神经网络和PID 控制技术相结合。

对于非线性系统来说，把两者相结合的控制系统不但能克服PID 控制原有的缺陷，而且自学习能力和适应性都显著增强，解决了PID 参数难以整定的问题，具有良好的控制效果。

1传统PID 控制器PID 控制之所以在以前的工业控制中能够被广泛应用，就是因为它的算法简单、鲁棒性好、可靠性高等优点，是发展最快的控制策略之一[1-3]。

径向基函数（RBF）神经网络

径向基函数（RBF）神经⽹络RBF⽹络能够逼近任意的⾮线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能⼒，并有很快的学习收敛速度，已成功应⽤于⾮线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

简单说明⼀下为什么RBF⽹络学习收敛得⽐较快。

当⽹络的⼀个或多个可调参数（权值或阈值）对任何⼀个输出都有影响时，这样的⽹络称为全局逼近⽹络。

由于对于每次输⼊，⽹络上的每⼀个权值都要调整，从⽽导致全局逼近⽹络的学习速度很慢。

BP⽹络就是⼀个典型的例⼦。

如果对于输⼊空间的某个局部区域只有少数⼏个连接权值影响输出，则该⽹络称为局部逼近⽹络。

常见的局部逼近⽹络有RBF⽹络、⼩脑模型（CMAC）⽹络、B样条⽹络等。

径向基函数解决插值问题完全内插法要求插值函数经过每个样本点，即。

样本点总共有P个。

RBF的⽅法是要选择P个基函数，每个基函数对应⼀个训练数据，各基函数形式为，由于距离是径向同性的，因此称为径向基函数。

||X-X p||表⽰差向量的模，或者叫2范数。

基于为径向基函数的插值函数为：输⼊X是个m维的向量，样本容量为P，P>m。

可以看到输⼊数据点X p是径向基函数φp的中⼼。

隐藏层的作⽤是把向量从低维m映射到⾼维P，低维线性不可分的情况到⾼维就线性可分了。

将插值条件代⼊：写成向量的形式为，显然Φ是个规模这P对称矩阵，且与X的维度⽆关，当Φ可逆时，有。

对于⼀⼤类函数，当输⼊的X各不相同时，Φ就是可逆的。

下⾯的⼏个函数就属于这“⼀⼤类”函数：1）Gauss（⾼斯）函数2）Reflected Sigmoidal（反常S型）函数3）Inverse multiquadrics（拟多⼆次）函数σ称为径向基函数的扩展常数，它反应了函数图像的宽度，σ越⼩，宽度越窄，函数越具有选择性。

完全内插存在⼀些问题：1）插值曲⾯必须经过所有样本点，当样本中包含噪声时，神经⽹络将拟合出⼀个错误的曲⾯，从⽽使泛化能⼒下降。

稻谷干燥模型数学模拟与神经网络仿真

稻谷干燥模型数学模拟与神经网络仿真摘要我国是一个人口大国．同时也是一个农业大国，我国的粮食总产景近年大约平均有５亿吨，每年收获的粮食有２０％属高水分．约有８５００ｙ如电需要干燥。

如何使一年的劳动成果颗粒归仓，保证粮食丰产又丰收，是一个重要的研究课题。

为了对那些旧的、老式的、自动化程度不高的、烘干后粮食品质不好的谷物干燥机进行改进，则需要将现代化科技手段应用到粮食干燥过程的研究中来。

随着计算机技术的飞速发展，把计算机技术应用到粮食干燥过程的研究＿Ｌ是司行的，是大势所趋。

国外对稻谷干燥问题进行了大量的研究工作，在单粒和薄层干燥研究的基础上，又开始了有实用价值的稻貉深床干燥的研究，提…了～‘些稻谷干燥的数学模型。

国内对稻谷干燥的研究从８０年代开始。

一些专家、学者根据我国国情，在稻谷干燥理论和干燥技术上做了大量探讨，为设计适合我国特点的稻谷干燥系统提供了理论上的依据。

本课题以稻谷作为实验对象，根据前人所建立的稻谷单粒、薄层和深床三种干燥数学模型编写了稻谷干燥过程模拟计算程序，进行计算机模拟。

利用该程序可预测稻谷在改变干燥介质（空气）的入口温度和湿度、被干燥物料的初始湿含量和温度及床层厚度等因素的情况下，粮层中各点的湿含量和温度、干燥介质的出口湿度和温度随时间的变化，以此来研究上述几种因素对湿物料干燥速率的影响，并由此得到一个干燥物料（稻谷）的较合理的工艺过程，并可对谷物机械热风干燥的性能进行综合分析研究。

同时利用以上过程得出的计算机数学模拟结果，应用神经网络理论建立数学模型，对干燥过程进行仿真，为进一步实现干燥过程的计算机模糊控制提供依据。

系统软件应用ＭＡＴＬＡＢ语言进行编程，程序简单易懂，界面清晰，可操作性强，模拟计算结果可以以曲线的形式输出，直观明了。

本课题以计算机和强大的应用软件ＭＡＴＬＡＢ为手段，应用数值分析、热力学和神经网络等先进理论，对稻谷的干燥过程进行了数学模拟和神经网络仿真，为寻求稻谷干燥过程的最优化及全自动控制，提高我国的谷物干燥技术和粮食产品质量，增强我国粮食产品在国际市场上的竞争力具有十分重大意义。

基于RBF神经网络的非线性系统对象辨识

基于RBF神经网络的非线性系统对象辨识基于RBF（径向基函数）神经网络的非线性系统对象辨识是一种常见的系统辨识方法，用于建立非线性系统的数学模型，并对系统进行预测、控制和优化。

RBF神经网络是一种前馈型神经网络，具有快速收敛、较强的逼近能力和良好的鲁棒性等特点。

其结构包括输入层、隐含层和输出层。

输入层接收外部输入作为网络的输入信号，隐含层通过一组径向基函数对输入信号进行非线性变换，输出层对隐含层的输出进行线性组合得到最终的输出结果。

非线性系统对象辨识的目标是通过已知的输入输出数据集，找到最优的RBF神经网络模型参数，使得该模型能够对未知输入信号作出准确的输出预测。

辨识过程一般包括以下几个步骤：1. 数据预处理：对输入输出数据进行归一化处理，确保数据在合适的范围内。

2. 神经网络结构设计：确定RBF神经网络的隐含节点数和径向基函数类型，通常采用高斯函数作为径向基函数。

3. 初始化参数：为神经网络的权值、偏置和径向基函数中心进行初始化。

4. 训练网络：通过迭代优化算法（如梯度下降法、遗传算法等）对神经网络的参数进行优化，使其与实际系统之间的误差最小化。

5. 验证和测试：使用未参与训练的数据集对训练好的神经网络进行验证和测试，评估其预测性能和泛化能力。

非线性系统对象辨识的关键是选择合适的网络结构和参数优化算法。

隐含节点数的选择应基于数据的复杂度和模型的拟合能力，过少的隐含节点可能导致模型过于简单而无法有效拟合数据，过多的隐含节点可能导致模型复杂度过高而造成过拟合。

参数优化算法的选择应综合考虑算法的收敛速度、稳定性和全局最优性等因素。

基于RBF神经网络的非线性系统对象辨识是一种有效的方法，可以用于建立非线性系统的数学模型，实现对系统的预测、控制和优化。

在实际应用中，应结合具体的问题和数据特点选择合适的网络结构和参数优化算法，并进行充分的验证和测试，以保证辨识结果的准确性和可靠性。

径向基神经网络

径向基神经网络1985年，Powell提出了多变量插值的径向基函数（Radical Basis Function,RBF）方法。

1988年，Moody和Darken提出了一种神经网络结构，即RBF神经网络，属于前向神经网络类型，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。

RBF网络的结构与多层前向网络类似，它是一种三层前向网络。

输入层由信号源节点组成；第二层为隐含层，隐单元数视所描述问题的需要而定，隐单元的变换函数RBF是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用做出响应。

从输入空间到隐含层空间的变换是非线性的，而从隐含层空间的输出层空间变换是线性的。

RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入向量直接映射到隐空间。

当RBF的中心点确定以后，这种映射关系也就确定了。

而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和。

此处的权即为网络可调参数。

由此可见，从总体上看，网络由输入到输出的映射是非线性的，而网络的输出对可调参数而言却是线性的。

这烟大哥网络的权就可由线性方程直接解出，从而大大加快学习速度并避免局部极小问题。

一、RBF神经元模型径向基函数神经元的传递函数有各种各样的形式，但常用的形式是高斯函数（radbas）。

与前面介绍的神经元不同，神经元radbas的输入为输入向量p和权值向量ω之间的距离乘以阈值b。

径向基传递函数可以表示为如下形式：二、RBF网络模型径向基神经网络的激活函数采用径向基函数，通常定义为空间任一点到某一中心之间欧氏距离的单调函数。

径向基神经网络的激活函数是以输入向量和权值向量之间的距dist为自变量的。

径向神经网络的激活函数一般表达式为随着权值和输入向量之间距离的减少，网络输出是递增的，当输入向量和权值向量一致时，神经元输出1。

b为阈值，用于调整神经元的灵敏度。

利用径向基神经元和线性神经元可以建立广义回归神经网络，该种神经网络适用于函数逼近方面的应用；径向基神经元和竞争神经元可以组件概率神经网络，此种神经网络适用于解决分类问题。

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)。

基金项目:国家自然科学基金资助项目(50275024)・

作者简介:任朝晖(1968-),男,辽宁沈阳人,东北大学博士研究生;闻邦椿(1930-),男,浙江温岭人,东北大学教授,博士生导师,

中国科学院院士・

第25卷第11期2004年11月东北大学学报(自然科学版)JournalofNortheasternUniversity(NaturalScience)Vol125,No.11Nov.2004

文章编号:100523026(2004)1121091204

基于RBF神经网络的干燥机HOQ模板自动生成模型

任朝晖,陈以增,闻邦椿(东北大学机械工程与自动化学院,辽宁沈阳　110004)

摘要:为了解决传统干燥机质量功能展开存在的问题,将人工智能理论引入质量功能展开配置过程,提出了智能干燥机质量功能展开的概念,并对其关键技术质量屋模板自动生成模型进行了深入研究,建立了基于径向基网络的干燥机质量屋模板自动生成模型・仿真研究表明,在知识库和数据库的支持下,该模型能够自动将顾客需求转化为相应的工程特性,降低了干燥机质量功能展开配置的复杂程度,减少了对开发人员经验和知识依赖,提高了配置效率,进而能够最大限度地发挥质量功能展开的优势・

关　键　词:产品开发;质量功能展开;干燥机;质量屋;人工智能;径向基神经网络中图分类号:TP12 文献标识码:A

传统的干燥机产品开发方法不得不在产品开发周期、成本和质量之间进行权衡[1]・作为顾客驱动的产品设计方法与工具,质量功能展开(qualityfunctiondeployment,QFD)能够在减少开发周期、降低开发成本的同时,提高产品质量,使产品开发的时间战略、成本战略和质量战略得以同时实现,在欧美企业得到了广泛应用[2～4]・QFD以质量屋(houseofquality,HOQ)为基本分解工具,将顾客需求依次分解到产品开发的各阶段[5～7]・QFD以巨型的矩阵图表全面概括了干燥机产品开发的过程,理论上可以克服传统产品设计方法的缺陷与不足・然而事实并非如此,由于QFD的巨型矩阵图表太复杂、繁琐,不但使开发人员对HOQ中关联矩阵及自相关矩阵中每个元素都进行准确判断变得十分困难,而且使这些复杂的数据从QFD的一个阶段转移到另一个阶段过程中变得更加复杂[8]・为了克服传统QFD配置的缺陷与不足,最大限度地发挥QFD的优点,将人工智能技术与计算机辅助工具应用于QFD配置,已成为国内外QFD研究的热点,而HOQ模板自动生成技术是实现QFD智能配置的关键技术・本文将径向基人工神经网络(RBFANN)应用于干燥机HOQ模板自动生成过程,建立了基于RBF2ANN的HOQ

模板自动生成模型・在产品知识库和数据库的支持下,通过RBF2ANN模型,将顾客需求自动转化为相应工程特性,产生HOQ模板・

1　RBF网络结构与算法

径向基函数(radiusbasisfunction,RBF)网络起源于数值分析中多变量插值的径向基函数方法、Moody等提出的RBF网络模型[9]・RBF网络

不仅同BP网络一样具有任意精度的泛函逼近能力,而且在收敛速度、分类能力、逼近精度等方面均优于BP网络,因此已在许多领域中得到了广泛应用・鉴于此,对RBF网络在干燥机HOQ模板自动生成中的应用进行研究・

如图1所示,RBF网络的结构[10]与多层前向网络类似,为一种三层前向网络・第一层为输入层,由信号源结点(x1,x2,…,xL)组成・第二层为隐含层,隐含单元数视所描述问题的需要而定;第三层为输出层,每个节点的输出y

i=1,2,…,

N)是对输入模式做出的响应・其中隐层的转移函

θj(X)=exp-‖X-cjE‖2σ2,j=1,2,…,H,

(1)式中,θj为隐层第j个单元输出;X=(x

1,x2,…,

xn)

T为输入矢量;‖・‖表示范数,通常取‖X-

cjE‖=(X-cjE)T(X-cjE);cj

为隐层第j个高

斯单元的中心;E为n×1的单位矢量;σj为半径・

RBF网络的输出可表示为

yk=6hj=1wkjθj(X),k=1,2,…,N・

(2)

写成矩阵形式为Y=Wθ,(3)式中,Y=(y1,y2,…,yN)T为输出矢量;W=

(w1,w2,…,wH)T为隐层到输出层的权矩阵,且

wk=(wk1,wk2,…,wKN),k=1,2,…,H;θ=(θ1

(X),θ2(X),…,θh(X))T为隐层输出量

・

图1　径向基函数网络结构Fig.1　StructureforRBFneuralnetwork

RBF网络是一种有监督的学习网络,其算法包括2个步骤:

Step1:确定隐节点的中心cj,通常采用K2均值法确定c

j・

Step1.1:初始化所有聚类中心cj(1≤j≤h

≤P),通常将其初始化为最初的N个训练样本・

Step1.2:将所有样本X按最近的聚类中心分组・如果‖X

p-ciE‖=minj=1,2,…,p(Xp

-cjE),(4)

则将样本Xp划归为第i类・其中,P为样本总数,

且有1≤p≤P

・

Step1.3:计算各类的样本均值c

j・令Nj

为第

j类的样本数,有

cj=1Nj6nj=1xpj・(5)

Step1.4:重复Step1.2,Step1.3,直至所有聚类中心不再变化,即可将其赋给各RBF单元作为RBF的中心・

Step2:确定半径σj,

σj=1Nj(X-cjE)T(X-cjE)・(6)

Step3:调节W

・

令T为期望输出,Y为网络

的实际输出,则网络的目标函数定义为

J=12(T-Y)T(T-Y),(7)调节权重的目标就是使J最小,采用BP算法中的误差梯度下降法,得迭代公式:

W(t+1)=W(t)+η(T-Y),(8)式中,t为迭代次数・

2　基于RBF2ANN的HOQ模板生成

RBF网络的训练样本可通过收集以前的干燥机QFD应用案例或者专家经验来获得・在样本设计时,应注意训练样本的典型性和广泛性,既要使训练样本有足够的典型性,又要使样本能够覆盖足够的范围・其训练样本的编码规则如下:

首先分别定义顾客需求集与工程特性集・若样本中包含K个顾客需求和L工程特性,样本中的顾客需求项(工程特性项)能够与顾客需求集(工程特性集)匹配上者,则其值置为1,否则为

以此可确定样本的输入矢量和输出矢量・网络的输入层节点数为顾客需求个数,输出节点数为工程特性数・网络的隐含节点数可根据经验首先确定,然后根据实际训练情况进行调整・

下面就以旋转闪蒸干燥机为例,来说明基于

RBF网络的干燥机HOQ模板的自动生成的实现过程・

假设有17个顾客需求,19个工程特性,因此网络输入层节点数为17,输出节点数为19,经过反复试验确定隐含节点数为45・共设计了50个训练样本对网络进行训练,网络最大误差为0101・为了对设计好的网络的泛化能力进行验证,取六组没有训练过的样本对网络进行测试,其测试数据见表1,测试结果见表2,专家的输出结果见表3・

表1　RBF网络的测试数据Table1　TestingdataofRBF2ANN

测试样本网络输入1111111110000001121110000110001100300001111111110000411111000000011111501010101010101010

表2　RBF2ANN的测试结果Table2　TestingresultsofRBF2ANN

测试样本网络输出11.01.01.01.01.01.01.01.01.01.00.00.00.00.00.00.00.01.01.021.01.01.01.01.00.00.00.00.11.01.00.00.00.01.01.01.00.00.030.10.10.00.00.00.01.01.01.01.01.01.01.01.01.00.00.00.00.041.01.01.01.01.01.01.00.10.00.00.00.00.00.01.01.01.01.01.050.00.01.01.00.01.00.01.00.01.00.01.00.01.00.01.00.01.00.0

表3　专家输出结果Table3　Outputsbyexperts

测试样本专家输出1111111111100000001121111100001100011100300000011111111100004111111100000001111150011010101010101010

在表2中,以110表示输出结点中的1,以0

或011表示输出结点中的0・将表2与表3进行比较可以看出,在本例中RBF网络的输出结果与专家的输出结果完全一致,其正确率为100%・可见,该模型是有效的、可行的・

3　结论

为了克服传统QFD配置的缺陷与不足,将人工智能技术与计算机辅助工具应用于干燥机QFD配置,提出了智能QFD的概念・并对其关键

技术干燥机HOQ模板自动生成技术进行了深入研究,提出了基于RBF2ANN的干燥机HOQ

模板自动生成模型・仿真研究表明,在产品知识库和数据库的支持下,通过RBF2ANN模型,可将顾客需求自动转化为相应工程特性,产生HOQ模板,降低了质量功能展开配置的复杂程度,减少了对开发人员经验和知识依赖,提高了配置效率,进而能够最大限度地发挥质量功能展开的优势・

参考文献:

[1]ShenXX,TanKC,XieM.AnintegratedapproachtoinnovativeproductdevelopmentusingKino’smodelandQFD[J].EuropeanJournalofInnovationManagement,2000,3(2):91-99.

[2]TangJ,RichardYK,XuB,etal.Anewapproachtoqualityfunctiondeploymentplanningwithfinancial