论文部分内容阅读
针对一般BP神经网络泛化能力差，在Bayesian正则化BP神经网络的基础上，运用加权检验、“表决网”等方法的思路训练网络，并通过主成分分析方法对输入数据进行降维，建立了磁粉制备工艺（淬速度和晶化退火温度）、合金成分与磁性能之间的BPNN（back propagation network）预测模型。结果表明：该模型泛化能力较高，预测的Br相对误差在2％左右、Hcj和（BH）max在5％以内，且每次预测的相对误差平均值波动不超过1％。