摘要:针对超磁致伸缩材料(GMM)的磁滞非线性,运用广义回归神经网络(GRNN)和前馈BP神经网络分别对GMM的磁滞回线进行非线性逼近,通过网络的训练、预测,与Jiles—Atherton(J—A)模型进行了对比,分析了两种神经网络的逼近效果,给GMM的运用起到了很好的指导作用。其中,在GRNN神经网络中,由于所取数据有限,为了扩大样本容量,采取交叉验证方法对GRNN神经网络进行了训练,采用循环算法找出了最佳的径向基函数扩展系数SPREAD,并对传统GRNN神经网络进行了优化。研究结果表明:优化后的GRNN神经网络对于磁滞回线的预测精度明显高于BP神经网络。
关键词:超磁致伸缩材料 广义回归神经网络 bp神经网络 磁滞曲线拟合
单位:杭州电子科技大学机械工程学院 浙江杭州310018 杭州浙大精益机电技术工程有限公司 浙江杭州310000
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社