耿胜财，胡玉兰

(沈阳理工大学 信息科学与工程学院，沈阳 110159)

在人工智能[1]如火如荼的今天，复杂的事情完全可以交给机器处理。BP(Back Propagation)神经网络[2]，即多层前馈神经网络，是机器学习(Machine Learning,简称ML)中典型学习算法之一，已在函数逼近、模式识别、分类以及数据压缩等方面广泛应用[3-4]。经典的BP算法通常存在学习效率低、收敛速度慢、易陷入局部极小状态等问题。针对以上问题，国内外研究学者常用三种方式对BP算法进行改进：附加动量法、自适应学习速率以及动量-自适应速率调整算法。第三种方式是前两种方式的结合，在缩短训练时间的同时，可以找到全局最优解。目前，国内外关于动量-自适应学习BP算法[5]的应用并没有统一的标准，即对权值或阈值更新时采用何种关于动量法和自适应学习速率的组合，是针对具体问题，通过调参决定的。

本文的研究基于电解加工[6]，电解加工过程非常复杂。通过动量-自适应学习BP算法，建立BP神经网络在电解加工领域的预测模型。该模型利用函数逼近原理，将复杂的电解加工过程装入“黑盒子”，可通过输入加工参数得到输出参数，通过对比输出参数和加工指标得到满足加工要求的参数。

1 影响电解加工的主要因素

电解加工是一种基于金属阳极电化学溶解原理、利用成型的阴极工具将工件加工成型的方法。电参数、电解液参数、工件特征和阴极等参数(如图1所示)为主要影响加工质量的因素。

图1 主要加工参数

用容易测得并容易控制改变的电流值I、电解电压U、脉冲电源频率f、脉冲电源占空比c、初始加工间隙d和电极给进速度v等加工参数进行预测模型研究。……