金屬合金絲設計一些醫(yī)療器材通過執(zhí)行人工神經(jīng)網(wǎng)絡(ANN)、自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)和Taguchi方差分析確定關鍵參數(shù)。利用軟計算方法可以很容易地解決芯片工程應用中的非線性問題、函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)處理和系統(tǒng)控制等。盡管許多不同的方法被用于這個目的,我們可以說最受歡迎和最廣泛使用的方法是田口,安和簡稱ANFIS方法由于最小誤差等因素,最大的精確度,快,成本,和時間預測,決策分析,優(yōu)化、建模和復雜問題的解決方案等。
金屬合金絲設計在人工神經(jīng)網(wǎng)絡和ANFIS中最重要的任務之一是確定層數(shù)、神經(jīng)元、隱層、學習算法和傳遞函數(shù)，因為沒有明確定義的程序來找到最優(yōu)參數(shù)設置和網(wǎng)絡結構。這些變量影響系統(tǒng)的學習和預測能力，具有較高的精度。在人工神經(jīng)網(wǎng)絡中，數(shù)據(jù)集必須被歸一化。該系統(tǒng)具有神經(jīng)網(wǎng)絡與模糊知識相結合的優(yōu)點。因此，盡管ANN可能優(yōu)于ANFIS模型，但在效率方面，ANFIS更精確。ANFIS算法在結構上采用了一種混合學習方法。這使得該算法在效率上比大多數(shù)人工神經(jīng)網(wǎng)絡算法更快、更精確。
金屬合金絲設計這些模型的一個重要優(yōu)勢在于它們能夠生成數(shù)學方程，這些方程可以很容易地編程并在生產(chǎn)過程中應用。由于各種因素的影響，材料參數(shù)的理論分析相當復雜。利用這些方法給出了復合材料參數(shù)估計的顯式公式。神經(jīng)網(wǎng)絡的訓練要求包括大量的數(shù)據(jù)，但這不適用于ANFIS。利用人工神經(jīng)網(wǎng)絡得到的數(shù)學公式進行計算，這是人工神經(jīng)網(wǎng)絡與其他方法相比的一個重要優(yōu)勢。
金屬合金絲和神經(jīng)網(wǎng)絡必須針對每個問題進行訓練。由于期望最小誤差準則和最大相關系數(shù)，采用MSE、MAE、MAPE、RMSE、R和R2準則研究了實驗結果和理論結果的相容性。本文推導并討論了三種方法的決策矩陣和TOPSIS矩陣。并列舉了各種方法的優(yōu)缺點?？梢缘贸鼋Y論，ANFIS和ANN方法可以用于以最小誤差解決許多復雜問題，控制系統(tǒng)，檢測變量之間的相互作用，更快地達到目標，預測和優(yōu)化結果以最大的精度。田口法是一種實驗設計方法，用較少的實驗同時使用多個結果得到最優(yōu)結果。田口的系統(tǒng)、參數(shù)和公差設計是田口特別感興趣的。
新時代，新技術層出不窮，我們關注，學習，希望在未來能夠與時俱進，開拓創(chuàng)新。