·172* 北京科技大学学报 1999年第2期 在神经网络分类器中，用n个分量表示的样 0.12t-9.70×10-2Q+276.56 (2) 品被送人神经网络，这些分量可用二值或是连续 由图2可以求出实验参数优化区为： 值表示.神经网络的第1级实际上也是在计算匹 X2+3Y-2√3XY-4698.22Y- 配度，然后被平行地通过m条输出线送到第2 7368.27X+2741975<0 (3) 级.在第2级中，各类均有一个输出，并表现为仅 在此实验参数优化区内的模式识别正确率 有一个输出的强度为“高”，而其余的均为“低”. 为82%.本文选取的实验数据点用此模式鉴别平 当得到正确的分类后，分类器的输出可反馈到第 面分类的结果也示于图2之中.如图2所示1,2,6 1级，并用一种学习算法修正权重.当后续的测试 三个好点均在好点区域内，4,5两个坏点均在坏 样品与曾学习过的样本十分相似时，分类器就会 点区域内，而3点（实际上是个坏点）的分类并不 作出正确的响应 太清楚 人工神经元网络分类器在模式识别方面的 应用，有着独特的优点.与传统的几种模式识别 方法相比，传统模式识别方法需要在最终的二维 0 200 400 600 平面投影图上进行人工划分不同类别的数据点， 4一好点-坏点 而训练后的人工神经网络归纳了隐含在实验数 50 据中材料的原始组分、工艺条件与性能之间的定 量关系，并用一个隐函数来表示， 100 2o'-Sialon-BN复合材料的设计 150 2.1模式识别技术应用 在合成o'-Sialon材料工艺试验中，影响烧结 合成的因素很多，并且关系复杂.选取5个因素作 图2合成o'-Sialon二维鉴别平面 为变量剧：Y,Si,O,lo'-Sialon比值（表示为P), 2.2人工神经网络技术应用 Mullite含量(M),x值(x),最高烧结温度 根据已有烧结合成o'-Sialon的实验数据，利 (:,℃)，气氛（表示为Q,还原性、弱还原性、弱氧 用计算机人工神经网络技术，构筑的材料相组成 化性气氛).选取的判据为：无X-Sialon相的为好 及性能的预测模块作为分类器，可预报合成材料 点，反之为坏点.利用已知的36个样本点通过模 的相组成；作为函数器，还可以对相的比例进行 式识别程序进行学习训练，得到了如图2所示的 预报（见表1）.在此基础上可以确定合成0 模式鉴别平面.得到的模式空间向投影平面的投 Sialon-BN复合材料的原料配比及合成工艺条件 影方式如下： (见表2). X=1734.44P+1.88M+88.92x-0.59t- 作为o'-Sialon-BN复合材料的烧结助剂，参 0.992+1305.84 (1) 考前人已做的工作，本文选用Y,0,分别加上 Y=-130.48P-5.67×10-2M+168.31x- TiO2,B,0,进行实验. 表1样本的预报结果和实验结果 实验条件 X-Sialon o'-Sialon(质量分数%) YS/o'Mullite%x/% ℃气氛条件预报值实验值误差%预报值实验值误差% 0.10 0 0.101750 弱还原 0 0 0 28.66 27.35 4.57 0.11 0 0.20 1700 弱还原 0 0 0 47.06 48.30 2.62 012 0.301750 弱还原 / 0 46.23 45.67 1.21 0.06 0 0.40 1750 弱还原 1 1 0 16.89 16.32 3.37 0.14 0 0.501750 弱还原 1 0 45.34 43.93 3.11 6 0.15 0 0.211650 弱还原0 0 0 68.01 67.40 0.10 注：YS/o√代表YSi0,/o'-Sialonr的理论值；l或0分别代表该相的有或无北 京 科 技 大 学 学 报 年 第 期 在 神经 网 络分类 器 中 ， 用 个分量 表示 的样 品被 送 人 神 经 网络 ， 这 些 分 量 可 用 二值 或是 连 续 值表 示 神 经 网 络 的第 级 实 际 上 也是 在 计算 匹 配 度 ， 然 后 被 平 行 地 通 过 条 输 出 线 送 到 第 级 在 第 级 中 ， 各 类 均 有 一 个 输 出 ， 并 表 现 为 仅 有 一 个 输 出 的 强 度 为 “ 高 ” ， 而 其余 的 均 为 “ 低 ” 当得 到 正 确 的分 类 后 ， 分类器 的输 出可 反 馈 到第 级 ， 并 用 一 种 学 习 算 法 修正 权重 当后 续 的测 试 样 品 与 曾学 习 过 的样 本 十分 相 似 时 ， 分类器 就 会 作 出正 确 的 响应 人 工 神 经 元 网 络 分类 器 在 模 式 识 别 方 面 的 应 用 ， 有 着 独 特 的 优 点 与 传 统 的 几 种 模 式 识 别 方 法 相 比 ， 传 统模 式 识 别 方 法 需 要 在 最 终 的二 维 平 面 投 影 图上 进 行 人 工 划 分 不 同类 别 的数 据点 而 训 练 后 的 人 工 神 经 网 络 归 纳 了 隐 含 在 实 验 数 据 中材 料 的原 始组 分 、 工 艺 条 件 与性 能 之 间 的定 量 关 系 ， 并 用 一 个 隐 函数来 表示 、 一 一 ’ 由图 可 以 求 出实验参数优化 区 为 ， 一 万火下 在 此 实 验 参数 优 化 区 内的模 式 识 别 正 确 率 为 本文 选取 的实验 数据点 用 此 模 式 鉴 别平 面分类 的结果也示 于 图 之 中 如 图 所示 ， ， 三 个好 点均 在 好点 区 域 内 ， ， 两 个 坏 点 均 在 坏 点 区 域 内 ， 而 点 实 际上 是 个 坏 点 的分类 并 不 太清楚 卜好点 一 坏点 ’ 一 一 复合材料的设计 模式识别 技术应用 在 合成 ’ 一 材 料 工 艺 试 验 中 ， 影 响烧 结 合成 的 因素很多 ， 并且 关 系复杂 选取 个 因素作 为 变 量 ， ， ‘ ‘ 一 比 值 表 示 为 ， 含 量 ， 值 ， 最 高 烧 结 温 度 ， ℃ ， 气 氛 表 示 为 ， 还 原性 、 弱 还 原 性 、 弱 氧 化性 气氛 选取 的判 据为 无 一 相 的为好 点 ， 反 之 为 坏 点 利 用 已 知 的 个 样 本 点通 过 模 式 识 别 程 序 进 行 学 习 训 练 ， 得 到 了如 图 所 示 的 模式鉴别平 面 得 到 的模式空 间 向投 影 平 面 的投 影方 式 如 下 尸 五了 一 一 二 一 一 一 一 图 合成’ 一 二维鉴别平面 人工神经 网络技术应用 根 据 已 有烧结合成 ’ 一 的实验数据 ， 利 用 计算 机 人 工 神经 网 络技 术 ， 构筑 的材料相 组成 及 性 能 的预 测模 块 作为分类 器 ， 可 预报合成材料 的 相 组 成 作 为 函 数 器 ， 还 可 以 对相 的 比例进 行 预 报 见 表 在 此 基 础 上 可 以 确 定 合 成 ’ 一 一 复合材 料 的原料配 比及合成工艺条件 见 表 作 为 ’ 一 一 复 合材 料 的烧结 助 剂 ， 参 考 前 人 已 做 的 工 作 ， 本 文 选 用 ， 分 别 加 上 ， ， 进行 实验 · 表 样本的预报结果和 实验结果 试样 编号 实验条件 一 ， 月么 工产场 气氛条件 预报值 实验值 误差从 预报值 弱还原 弱还原 弱还原 弱还原 弱 还原 弱 还原 实验值 误差从 注 ‘ 代表 多 必 ’ 一 的理论值 或。 分别代表该相 的有或无