М а т е р и а л ы X В с е р о с с и й с к о й н а у ч н о - п р а к т и ч е с к о й к о н ф е р е н ц и и
П о с в я щ а е т с я 1 0 0 - л е т и ю Р о с т и с л а в а Е в г е н ь е в и ч а А л е к с е е в а
421
Целью данной работы является повышение качества печатных узлов за
счет изменения состава обучающей выборки и, как следствие, повышения
эффективности распознавания нестандартных изделий. При этом используется
известный метод распознавания образов на основе нейросетей, повышение
эффективности распознавания которого осуществляется за счет нахождения
экстремума погрешности проверочных точек [2,3].
Воспользуемся данными обучающего эксперимента из работы [4].
За основу взята выборка, состоящая из 50 экспериментов паяных
соединений. Прогнозируемый параметр - поверхностное сопротивление
изоляции. При поверхностном сопротивлении изоляции, равном и менее 1∙10
9
Ом,– изделие принималось как не годное. При поверхностном сопротивлении
изоляции более 1∙10
9
Ом – годное. Поверхностное сопротивление изоляции в
данном случае является выходной переменной. Входными переменными
являются вязкость, клейкость и кислотное число.
Обучающая выборка, по которой синтезируется модель, представлена в
таблице 1. Данные по проверочным точкам представлены в таблице 2. Расчеты
проводились с помощью радиально-базисной нейронной сети. Образец
программного кода в среде MATLAB имеет следующий вид:
A = zscore(B);
n = length(B(:,1));
C = A';
T = C(1,:);
C(1,:) = [];
P = C;
net = newrb(P,T,0.07,1);
net.layers{1}.size;
G = sim(net,P);
Br1 = G*std(B(:,1)) + mean(B(:,1));
q1 = length(Br1); bq1 = length(B(:,1));
e = (Br1' - B(:,1))./B(:,1);
A2 = (BD(:,2) - mean(B(:,2)))/std(B(:,2));
A3 = (BD(:,3) - mean(B(:,3)))/std(B(:,3));
P1 = [A2,A3]';
G1 = sim(net,P1);
Q1 = G1*std(B(:,1)) + mean(B(:,1));
ep = (Q1' - BD(:,1))./BD(:,1);
где е – погрешность точек обучающей выборки;
ер – погрешность точек проверочной выборки.
