邢 翀，王坤昊

（1.长春金融高等专科学校信息技术学院，吉林长春130028；2.吉林师范大学计算机学院，吉林四平136000）

硬度是硬质阳极氧化膜的重要性能指标，与耐磨性能有着密切关系［1］。硬质阳极氧化过程中涉及的工艺参数较多，如电解液质量浓度、电解液温度、电流密度、氧化时间等。这些工艺参数及其交互作用对硬质阳极氧化膜的硬度有一定影响［2-4］，它们之前往往呈复杂非线性关系，采用常规数学建模方法很难准确表达。在此背景下，引入人工神经网络。研究表明，人工神经网络具有很强的适应性以及大规模并行处理和快速收敛的特性，解决复杂非线性问题具有优势［5-7］。

人工神经网络的种类较多，常用的是前馈神经网络、径向基函数神经网络、Kohonen自组织神经网络、递归神经网络、卷积神经网络和模块化神经网络。前馈神经网络中最具代表性的是BP神经网络，径向基函数神经网络中最具代表性的是RBF神经网络。目前，单独采用BP神经网络或RBF神经网络解决复杂非线性问题的报道较多［8-10］，但少有对这两种不同神经网络进行对比的报道。笔者创新性地将BP神经网络与通过两种不同方式构建的RBF神经网络进行对比研究，采用正交实验数据对不同神经网络进行训练，并通过对比相对误差，以期筛选出预测精度更高的神经网络。

1 研究思路

为了验证BP神经网络和RBF神经网络在氧化膜硬度预测方面的适用性，通过两种不同方式构建RBF神经网络。第一种方式是应用NEWRB函数构建RBF神经网络（以下简称NEWRB函数RBF神经网络），第二种方式是通过K-均值聚类法自行构建RBF神经网络（以下简称K-均值聚类RBF神经网络）。……