基于BP算法的平面CAPP研究及Matlab实现

   0 引言
   
    目前，神经网络的研究受到了空前的关注，它是迄今为止功能最强、效率最高、最完善的信息处理系统，并已成为复杂系统的建模技术。在机械设计中神经网络也有着独特的应用，它是自学习设计技术的理论基础。CAPP系统通常采用基于规则和基于框架的知识表达方法，存在知识量大、知识表达效率低、推理效率低等缺陷。人工神经网络中的BP网络具有很强的学习和分类功能，其拓扑结构适合于处理表面加工方案的决策问题。
   
    1 神经网络的特点和结构
   
    人工神经网络是由人工神经元(简称神经元)互连组成的网络，它是从微观结构和功能上对人脑的抽象、简化，是模拟人类智能的一条重要途径，反映了人脑功能的若干基本特征，如并行信息处理、学习、联想、模式分类等。神经网络的特点主要有:以大规模模拟并行处理为主，具有很强的鲁棒性和容错性自学习能力，是一个大规模自适应非线性动力系统;具有集体运算的能力，这与本质上是线性系统的现代数字计算机迥然不同。
   
    神经网络的结构形式主要有:模块型网络、前向网络、相互结合型网络、反馈网络、混合型网络、侧抑制网络。一般应用较多的自学习设计方法有:多层前向神经网络(BP网络)、典型反馈网络(Hopfield网络)和基于概率学习的Boltzmann机模型。
   
    2 CAPP工艺决策方法
   
    CAPP是指完成工艺过程设计、输出工艺规程。CAPP在CAD/CAM中间起到桥梁和纽带作用。CAPP必须能直接从CAD模块中获取零件的集合信息、材料信息、工艺信息等，以代替人机交互的零件信息输人;CAPP的输出则是 CAM所需的各种信息。随着对先进生产模式的深入研究和推广，CAPP已经成为先进生产模式的主要技术基础之一。
   
    3 BP网络的建立
   
    3.1 BP算法
   
    前向多层网络是目前研究最多的网络形式之一，它包括输人层、隐含层以及输出层。BP{Back Porpagation)算法的实质是把一组样本输人输出问题转化为一个非线性优化问题，并通过梯度计算利用迭代运算求解权重问题的一种学习方法。BP算法的学习过程见图 1。
   

    BP网络误差反向传播学习算法的基本思想是:
   
    (1)向网络提供训练的例子，包括输人单元的活性模式和输出单元的活性模式。
    (2)确定网络的实际输出与期望输出之间的允许误差。
    (3)改变网络中所有连接权重，使网络的输出更接近于期望的输出，直到满足确定的允许误差。
   
    3.2 BP网络的训练原理