田　杨

(辽宁工程职业学院 科研处，辽宁 铁岭　112000)



改进的深度信念网在磨削加工粗糙度值预测中的应用*

田杨

(辽宁工程职业学院 科研处，辽宁 铁岭112000)

深度信念网(DBN)是由无监督的受限玻尔兹曼机(RBM)和有监督的BP网络组成的神经网络分类器。针对RBM训练过程中固定学习率不利于寻找最优的缺点，提出一种动态学习率法则，改进RBM网络以提高特征向量映射的准确度；构造一个含有两层RBM和一层BP，并使用对比分散准则(CD准则)进行神经网络的自训练的DBN网络，提高训练速度，将改进型网络应用于表面粗糙度值的预测，通过与改进前后的预测模型及RBM预测模型的对比，预测模型精度得到了提高。

深度信念网；RBM；粗糙度；预测模型

0　引言

表面粗糙度是评价工件表面质量的重要因素之一，他对工件的疲劳强度、接触刚度、配合性能、工作精度都有着重要的影响，然而由于不同加工参数的选择，加工表面的粗糙度值也随之改变，为此需要建立一种根据加工参数即可确定粗糙度值的预测模型，国内外学者针对粗糙度预测模型做了相应的研究，王洪详等[1]采用回归分析法建立单点金刚石刀具超精车削表面粗糙度预测模型，苏宇等[2]采用自适应神经模糊推理系统建立了铝合金铣削加工表面粗糙度预测模型；周斌等[3]建立了基于BP神经网络的表面粗糙度预测模型；刘牧等[4]采用响应曲面法建立了钢及其合金铣削加工表面粗糙度预测模型；陈杰来等[5]采用遗传算法优化的反向神经网络法建立了超精密切削表面粗糙度预测模型；……