Определение среднеквадратичной шероховатости поверхности опаловой матрицы (пример)
Описание файла
Документ из архива "Определение среднеквадратичной шероховатости поверхности опаловой матрицы (пример)", который расположен в категории "". Всё это находится в предмете "нейросетевое моделирование сложных технических систем" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "курсовые/домашние работы", в предмете "нейросетевое моделирование сложных технических систем" в общих файлах.
Онлайн просмотр документа "Определение среднеквадратичной шероховатости поверхности опаловой матрицы (пример)"
Текст из документа "Определение среднеквадратичной шероховатости поверхности опаловой матрицы (пример)"
Московский ордена Ленина, ордена Октябрьской Революции и ордена Трудового Красного Знамени Государственный Технический Университет имени Н.Э. Баумана
Факультет: МТ («Машиностроительные технологии»)
Кафедра: МТ11 («Электронное машиностроение»)
Домашнее задание по курсу
«Искусственные нейросети»
на тему:
«Определение среднеквадратичной шероховатости поверхности опаловой матрицы»
Студент:………………………………………(Варсонофьева И. А.)
Группа: МТ 11-111
Преподаватель:…………………………………(Булыгина Е. В.)
Москва, 2010 г.
Содержание
1 Описание системы…………………………………………………...……………..……3
2 Задача…………………………………………………...…………………...……………3
3 Анализ входных и выходных параметров……………………………..………………3
4 Разбиение набора данных на обучающее, контрольное и тестовое множества....…..8
5 Выбор способа обучения сети и параметров процесса обучения. Выбор функции ошибки и ее допустимое значение…………………………..………………………………...10
6 Оценка качества обучения сети, анализировать возможных причин ошибок......…13
7 Анализ возможностей нейронной сети при работе с произвольными данными…..21
8 Анализ результатов…………………………………………………………………….24
1 Описание системы
Опаловая матрица формируется из коллоидного раствора за счет процессов самоорганизации глобул. В процессе осаждения различными методами сферы оседают с различной плотностью и упорядоченностью.
Качество получаемой структуры зависит от множества параметров. Так как получение сканов, обработка результатов занимает много времени и нет строгой аналитический зависимости между требуемым параметром системы и условиями проведения эксперимента, то задачу прогнозирования качества получаемой структуры можно решить с помощью нейросети.
2 Задача
Задача:
-
на основании тематики НИРС произвести анализ параметров выбранной системы;
-
провести нейросетевое моделирование заданной системы;
-
проанализировать полученные результаты и сделать выводы.
3 Анализ входных и выходных параметров
Входные параметры:
1. Выходные параметры:
- среднеквадратическая шероховатость полученной структуры;
- параметр a, характеризующий плотность упаковки структуры
2. Входные управляемые и контролируемые параметры:
- метод образования структуры;
- метод подготовки подложки;
- наличие термообрабоки;
- время;
- размер скана;
3. Входные неуправляемые контролируемые параметры:
- среднеквадратичная шероховатость подложки;
- диаметр глобул опала;
- количество слоев осажденного опала;
4. Входные неуправляемые неконтролируемые параметры:
- погрешности измерительных приборов (атомно-силового микроскопа);
- человеческий фактор
Все контролируемые и управляемые факторы вносят систематическую составляющую погрешности, а все контролируемые неуправляемые и неконтролируемые неуправляемые факторы вносят случайную составляющую.
-
размер скана, мкм
1 мкм
2 мкм
3 мкм
5 мкм
10 мкм
15 мкм
20 мкм
25 мкм
30 мкм
50 мкм
-
параметр а, который определят плотность упаковки структуры и зависит от исходной шероховатости поверхности, метода осаждения, наличие отжига, размера глобул, метод подготовки подложки, тип опаловой структуры
Выходные параметры: среднеквадратическая шероховатость полученной структуры.
Задача нейросети: определение с минимальной ошибкой шероховатости Ra пленки опала по заданному параметру a и размеру скана.
4 Разбиение набора данных на обучающее, контрольное и тестовое множества
Все наблюдения из файла данных делятся на четыре множества: обучающее, контрольное, тестовое и неучитываемое. Обучающее множество служит для обучения нейронной сети, контрольное – для независимой оценки хода обучения, тестовое – для окончательной оценки после завершения серии экспериментов. Неучитываемое множество не используется – в данном случае оно будет использоваться в качестве данных для работы с произвольными данными.
Таблица1. Данные наблюдений.
№ | Размер, мкм | Параметр a | Ra, мкм |
1 | 1 | 936,0 | 15,7244 |
2 | 1 | 2880,0 | 28,5355 |
3 | 1 | 2985,0 | 61,3027 |
4 | 2 | 296,1 | 102,6100 |
5 | 2 | 675,8 | 46,7743 |
6 | 2 | 981,2 | 20,4282 |
7 | 2 | 1090,0 | 93,8488 |
8 | 2 | 1291,0 | 33,7680 |
9 | 2 | 1364,0 | 111,3030 |
10 | 2 | 1491,0 | 30,4144 |
11 | 2 | 1554,0 | 59,2629 |
12 | 2 | 1653,0 | 45,0146 |
13 | 2 | 1720,0 | 17,8447 |
14 | 2 | 1722,0 | 141,943 |
15 | 2 | 2403,0 | 61,6539 |
16 | 2 | 2494,0 | 71,2210 |
17 | 2 | 2787,0 | 51,5300 |
18 | 2 | 4411,0 | 31,8253 |
19 | 3 | 1475,0 | 85,2388 |
20 | 3 | 5272,0 | 60,8743 |
21 | 5 | 3,1 | 177,9910 |
22 | 5 | 418,9 | 40,8863 |
23 | 5 | 597,0 | 36,3554 |
24 | 5 | 694,4 | 81,8645 |
25 | 5 | 840,6 | 33,1089 |
26 | 5 | 927,4 | 63,3983 |
27 | 5 | 1092,0 | 51,2619 |
28 | 5 | 1108,0 | 100,9910 |
29 | 5 | 1235,0 | 55,4319 |
30 | 5 | 1550,0 | 39,5345 |
31 | 5 | 1654,0 | 27,4276 |
32 | 5 | 1680,0 | 27,8407 |
33 | 5 | 1835,0 | 162,2410 |
34 | 5 | 1879,0 | 125,3880 |
35 | 5 | 2027,5 | 118,2730 |
36 | 5 | 2154,0 | 106,3730 |
37 | 5 | 2166,0 | 209,5440 |
38 | 10 | 1,6 | 320,8490 |
39 | 10 | 1,7 | 270,0120 |
40 | 10 | 2,7 | 169,5010 |
41 | 10 | 4,5 | 150,6940 |
42 | 10 | 5,1 | 434,7710 |
43 | 10 | 773,1 | 43,7214 |
44 | 10 | 848,3 | 38,5019 |
45 | 10 | 928,0 | 121,7070 |
46 | 10 | 1183,0 | 101,5630 |
47 | 10 | 1331,6 | 108,9620 |
48 | 10 | 1332,0 | 34,5918 |
49 | 10 | 1365,0 | 126,8810 |
50 | 10 | 1392,0 | 86,3438 |
51 | 10 | 1459,0 | 81,8361 |
52 | 10 | 1518,0 | 232,7220 |
53 | 10 | 1550,0 | 12,5355 |
54 | 10 | 1751,0 | 20,0967 |
55 | 10 | 1845,0 | 54,1989 |
56 | 10 | 2245,0 | 218,5110 |
57 | 10 | 2339,0 | 19,9757 |
58 | 10 | 2590,0 | 168,2200 |
59 | 10 | 2944,0 | 162,2610 |
60 | 20 | 1,5 | 371,2020 |
61 | 20 | 2,3 | 184,6010 |
62 | 20 | 860,5 | 139,1840 |
63 | 20 | 1012,0 | 76,2679 |
64 | 15 | 3736,0 | 193,6590 |
65 | 20 | 0,9 | 392,5880 |
66 | 20 | 1,3 | 220,8940 |
67 | 20 | 673,2 | 265,2970 |
68 | 20 | 856,4 | 105,4900 |
69 | 20 | 1002,0 | 38,7310 |
70 | 20 | 1413,0 | 164,5100 |
71 | 15 | 5864,4 | 268,1680 |
72 | 25 | 3,2 | 280,9300 |
73 | 25 | 369,0 | 220,1140 |
74 | 30 | 1,0 | 519,3200 |
75 | 30 | 838,7 | 250,7810 |
76 | 50 | 0,1 | 365,3500 |
77 | 50 | 1,3 | 415,8500 |
78 | 50 | 488,0 | 239,0230 |
79 | 50 | 809,2 | 40,7725 |
80 | 50 | 883,9 | 256,8480 |