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