電子灌封硅膠的仿真預測樣式是如果，下面就讓錦聯(lián) 電子硅膠企業(yè)詳細說說。 （1）學習樣本的確定 對世界天然橡膠產(chǎn)量的原始數(shù)據(jù)進行規(guī)范化處理 ，構成一個時間序列將以 1990 年為第一年開始的連續(xù) T 年的數(shù)據(jù)作為一個樣本輸入 ，第T＋ 1 年的世界天然橡膠產(chǎn)量作為與其對應的期望輸出根據(jù)以上分析 ，可以確定 18-T 組學習樣本．構成矩陣 P 。依次類推 ，我們可以得到期望輸出矩陣t. （2）網(wǎng)絡建立及其初始化 由輸入矩陣可以確定輸入層節(jié)點數(shù)為 T ；根據(jù)“2N +1”這一經(jīng)驗，可確定隱含層節(jié)點數(shù)和輸出層節(jié)點數(shù) 。構成了一個 T-（2T + 1 ）-1的BP神經(jīng)網(wǎng)絡模型 。借助Matlab7.0 的神經(jīng)網(wǎng)絡工具箱（Neural Network Toolbox）可以快速實現(xiàn)世界天然橡膠產(chǎn)量的 BP神經(jīng)網(wǎng)絡模型預測。 選擇訓練函數(shù)為traingdx ，輸入層到隱含層到愉出層的傳遞函數(shù)分別為tansig和purelin；最大訓練次數(shù)epochs為10000次 ；訓練誤差精度goal為 0.00l ；show為25。 其他參數(shù)均選用缺省值 。 由于隱含層中包含的神經(jīng)元的個數(shù)不同 ，因此得到的擬合結果也會有所不同。為了得到更好的擬合結果 ，首先對神經(jīng)元的個數(shù)進行選取 。由于輸入向量為2維，遵循原則 ，對神經(jīng)元個數(shù)為 3，5,7,9,11,13 ，15的情況分別進行多次擬合 。觀察擬合的平均誤差，發(fā)現(xiàn)隱含層的神經(jīng)元個數(shù)為5時擬合效果最好 ，最終選取擬合的神經(jīng)元的個數(shù)為5 |
