【摘要】：現(xiàn)代機電產品的功能復合化及智能化程度正在不斷的提高,系統(tǒng)組成變得越來越復雜。復雜產品設計過程中針對計算機仿真和優(yōu)化具體任務時,所面對的目標逼近函數(shù)將呈現(xiàn)出多學科、多影響因素、多輸出響應及強耦合性的高階非線性關系等顯著特征,而且對于傳統(tǒng)響應面方法同時仍需面對模型訓練樣本數(shù)據(jù)較為缺乏的挑戰(zhàn),由于響應面的泛化能力不足,將難以支持對復雜產品設計中所涉及的多因素與多響應間復雜關系的準確表征。對此,通常情況下基于深度學習的深度響應面在理論上相對于淺層模型具有更好的模型性能表現(xiàn)潛力,但具有選取不恰當激活函數(shù)的神經元或者對于模型數(shù)據(jù)集具有不匹配的模型容量的深度網絡模型在對具體函數(shù)進行逼近時其表現(xiàn)效果將可能差于淺層模型,同時模型在訓練收斂速度上也會變得非常慢,甚至可能出現(xiàn)模型訓練不收斂的情況。鑒于此,本文提出基于深度全連接前饋神經網絡的深度響應面估計方法:模型首先應具有相對較深的深度(至少具有3層以上隱層),將具有恒定梯度的ReLU函數(shù)及具有強非線性特性的如sigmoid等的函數(shù)對模型的各層神經元合理地配置其激活函數(shù),其中存在多層隱層中神經元激活函數(shù)被設置為如sigmoid等的強非線性函數(shù),激活函數(shù)的強非線性特性使得模型的原始輸入數(shù)據(jù)經過多層空間映射后能夠構造出更高層次的抽象特征,從而提高了模型的非線性表達能力,同時其特征學習能力也得到了有效提高;其次,模型中大多數(shù)隱層中神經元激活函數(shù)被設置為ReLU函數(shù),激活函數(shù)的恒定梯度能夠保證模型在訓練中具有較好的收斂性;另外,針對具有較少樣本數(shù)量的訓練數(shù)據(jù)集可通過增加高斯噪音的方式來大大擴充模型訓練集規(guī)模,在模型訓練過程中所增加的高斯噪音經過多層網絡放大后傳至輸出層而實現(xiàn)對網絡訓練正則化的效果,使得模型過擬合問題得到有效緩和,同時模型訓練收斂速度也得到翻倍提升;最終模型能夠僅通過BP算法既可直接地實現(xiàn)有效訓練,并構建出具有更強泛化能力的深度網絡模型,模型訓練流程簡單且易實現(xiàn)。最后,在TensorFlow下實現(xiàn)算法與模型,通過本文所設計的難以逼近的復雜測試函數(shù)對其進行性能測試,并運用于小規(guī)模數(shù)據(jù)下精密數(shù)控裝備設計環(huán)節(jié)中的光柵尺修正實例以及六足機器人的單腿節(jié)尺寸比例優(yōu)化實例中進行檢驗。結果表明,本文所提出的深度響應面相比于傳統(tǒng)響應面對于復雜函數(shù)的逼近在擬合程度指標Adjusted Rsquare上提高了將近3倍,同時在擬合精度指標RMSE上也提高了至少30%以上。
【圖文】：

1圖 1-1 響應面方法對黑箱模型顯式表達示意圖Fig.1-1 Schematic diagram of the explicit expression of the black box model by tresponse surface method

圖 1-2 響應面構建過程Fig.1-2 Construction process of response surface在響應面方法中所要解決的核心問題是根據(jù)觀測數(shù)據(jù)（采樣點）通過參數(shù)估計構建能反映產品的設計變量（輸入）和性能響應（輸出）間映射關系的響應面（回歸函
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH-39;TP18

【相似文獻】

相關期刊論文 前10條

1 李善坡;隋允康;宇慧平;;采用基函數(shù)近似的響應面方法[J];北京工業(yè)大學學報;2006年S1期

2 孫海彥;王茜;劉恩世;彭明;;響應面方法優(yōu)化黑曲霉產β-葡萄糖苷酶培養(yǎng)基成分的研究[J];輕工科技;2012年10期

3 陳洪武;彭聰聰;田鋮;王立原;;基于響應面法對桁架結構形狀的優(yōu)化設計[J];工程設計學報;2018年04期

4 慕運動;響應面方法及其在食品工業(yè)中的應用[J];鄭州工程學院學報;2001年03期

5 虞悝;;響應面方法在抗生素科研和生產中的應用探討[J];天津藥學;1990年04期

6 李善坡;隋允康;;響應面方法在二維連續(xù)體形狀優(yōu)化中的應用[J];力學與實踐;2006年02期

7 范子杰;馬林;桂良進;蘇瑞意;;大客車側翻安全性多目標優(yōu)化[J];系統(tǒng)仿真學報;2012年05期

8 徐興偉;胡曉兵;田昆;李毅;;支持向量機響應面在結構優(yōu)化中的應用[J];機械設計與制造;2018年06期

9 張春宜;王愛華;孫田;井慧哲;李成偉;;基于雙重響應面法的渦輪葉盤蠕變可靠性分析[J];機械強度;2019年04期

10 孫慶巍;李昊宇;朱海洋;;基于響應面方法的粉煤灰地質聚合物混凝土制備[J];安全與環(huán)境學報;2018年01期

相關會議論文 前10條

1 宇慧平;隋允康;張軒;龍連春;;響應面方法的改進[A];北京力學會第13屆學術年會論文集[C];2007年

2 李善坡;隋允康;;基函數(shù)近似響應面方法的研究[A];北京力學學會第12屆學術年會論文摘要集[C];2006年

3 張立新;隋允康;;基于響應面方法的桁架截面優(yōu)化[A];北京力學會第11屆學術年會論文摘要集[C];2005年

4 寇耀忠;任偉新;;基于響應面法的鋼管混凝土拱橋模型修正[A];第十八屆全國現(xiàn)代結構工程學術研討會論文集 一：大會報告[C];2018年

5 麻越垠;陳萬華;王元興;聶旭濤;馬斌;;基于響應面方法的突風機構有限元模型修正[A];第二十七屆全國振動與噪聲應用學術會議論文集[C];2016年

6 李志建;隋允康;;基于響應面方法的桁架結構頻率優(yōu)化[A];北京力學會第11屆學術年會論文摘要集[C];2005年

7 付鑫;謝石林;李健;朱長春;張希農;;基于應變響應的結構有限元模型修正[A];第十五屆全國非線性振動暨第十二屆全國非線性動力學和運動穩(wěn)定性學術會議摘要集[C];2015年

8 余曉斌;郝學財;;優(yōu)化纖維素酶液體發(fā)酵培養(yǎng)基[A];中國資源生物技術與糖工程學術研討會論文集[C];2005年

9 李善坡;隋允康;;采用組合響應面方法優(yōu)化爆炸分離裝置裝藥腔形狀[A];北京力學會第13屆學術年會論文集[C];2007年

10 隋允康;;結構優(yōu)化的建模方法進展[A];中國力學學會學術大會'2009論文摘要集[C];2009年

相關博士學位論文 前10條

1 李璞;復雜產品基于稀疏響應面的仿真優(yōu)化方法及其應用研究[D];廣東工業(yè)大學;2019年

2 劉小杰;康氏木霉纖維素酶的發(fā)酵及其對稻草降解利用的初探[D];浙江大學;2003年

3 張健;電力電子器件及其裝置的散熱結構優(yōu)化研究[D];哈爾濱工業(yè)大學;2015年

4 姬廣磊;漆酶在染料脫色和疏水性芳香化合物降解轉化中的應用研究[D];山東大學;2009年

5 張人會;離心泵葉片的參數(shù)化設計及其優(yōu)化研究[D];蘭州理工大學;2010年

6 閆明;蠕變—熱疲勞可靠壽命預測的若干問題研究[D];東北大學;2008年

7 戴偉;基于響應面方法的立管結構可靠性研究[D];哈爾濱工程大學;2012年

8 洪東峰;基于響應面方法的聚丙烯流程模擬與優(yōu)化[D];北京理工大學;2013年

9 方圣恩;基于有限元模型修正的結構損傷識別方法研究[D];中南大學;2010年

10 楊嵩;基于附壁效應的新型無閥壓電泵[D];江蘇大學;2015年

相關碩士學位論文 前10條

1 陳達權;基于深度學習面向復雜產品仿真優(yōu)化的強泛化響應面估計方法[D];廣東工業(yè)大學;2019年

2 尚軍強;響應面法模型修正在預應力混凝土梁損傷評估中的應用研究[D];太原理工大學;2019年

3 康哲民;基于響應面法的結構可靠性分析及應用[D];廣西科技大學;2019年

4 劉宇航;基于響應面的連桿結構優(yōu)化設計[D];中北大學;2019年

5 王立原;響應面法在結構優(yōu)化應用上的研究[D];上海海洋大學;2018年

6 萬俊;基于響應面法模型修正的既有混凝土連續(xù)梁橋運營安全性能評估的研究[D];太原理工大學;2018年

7 潘明;基于模型修正的預應力混凝土梁裂后承載性能評估的研究[D];太原理工大學;2017年

8 彭聰聰;響應面法在結構優(yōu)化應用上的研究[D];上海海洋大學;2017年

9 牛成奎;結構可靠性響應面方法研究及其應用[D];沈陽航空航天大學;2014年

10 張素梅;穩(wěn)健設計中不確定性問題的研究及應用[D];西北工業(yè)大學;2005年

，

本文編號：2635814