层拓扑结构预测验证模型训练汽车用高强铝合金铸造性能优化神经网络模型的训练参数为函数选择函数速率设置动量因子设置期望误差设置其它参数则选用系统默认值。

从前述试验获得的组试验数据中随机选取组数据，作为训练样本数据，如表所神经网络算法下汽车铸造性能优化论文原稿，提高计算效率和准确性，所有输入参数进行了归化处理。

以铝合金流动性作为评价指标，输出层参数选用合金的流动性，以熔融铝合金液体的流程长度进行表征。

为了避免模型计算结果超出系统限值，提高模型预测效果，对模型输出参数进行了归化逆运算。

神经象，采用层拓扑结构的神经网络模型，如图所示。

模型由输入层输出层和隐含层大部分组成。

其中输入层旨在向神经网络模型输入汽车用高强铝合金铸造性能优化紧密相关的个神经单元即个输入参数，分别为合金元素元素含量熔炼温度浇注温度隐含层旨在进行内于，平均相对训练误差。

汽车用高强铝合金铸造性能优化神经网络模型的相对预测误差介于，平均相对预测误差，模型预测能力较强，预测精度较高，可以用于汽车用高强铝合金铸造性能优化预测。

作者叶进宝陈建华李相军单位邯郸职业技术学院河南理工大学结论以合金元素元素含量熔炼温度浇注温度为输入层参数，以代表合金元素的百分含量，代表合金元素汽车用高强铸造铝合金流动性作为输出层参数，选用函数函数和函数分别作为神经网络模型的输出从表可以看出，神经网络模型的相对预测误差神经网络模型输出预测值和试验值之差的绝对值与试验值的百分比介于，相对预测误差小于，平均相对预测误差。

由此可以看出，本文构建的汽车用高强铝合金铸造性能优化神经网络模型可以获得较低的相对预测误差关键词铸造性能流动性神经网络算法高强铝合金优化模型铸造铝合金在轻量化进程不断推进的今天具有广阔的应用前景，也极具研究价值。

林佳武等进行了真空高压铸造铝合金车身后纵梁轻量化设计。

王永飞等研究了铝合金连杆半固态挤压铸造工艺。

表可以看出，神经网络模型的相对预测误差神经网络模型输出预测值和试验值之差的绝对值与试验值的百分比介于，相对预测误差小于，平均相对预测误差。

由此可以看出，本文构建的汽车用高强铝合金铸造性能优化神经网络模型可以获得较低的相对预测误差，相对训练误差介于，平均相对训练误差。

汽车用高强铝合金铸造性能优化神经网络模型的相对预测误差介于，平均相对预测误差，模型预测能力较强，预测精度较高，可以用于汽车用高强铝合金铸造性能优化预测。

作者叶进宝陈建华李相军单位邯郸职业技术学神经网络算法下汽车铸造性能优化论文原稿拥有较强的铸造性能预测分析能力，同时还有比较优异的预测精度，能准确地反映神经网络模型各输入参数合金元素元素含量熔炼温度浇注温度与输出参数流动性之间的内在联系，建立各输入参数与输出参数之间的对应关系，可用于汽车高强铝合金铸造性能优化预了铝合金规格扁锭铸造工艺。

模型预测验证汽车用高强铝合金铸造性能优化神经网络模型的预测验证样本数据来源于试验所得数据中尚未学习训练的剩余组试验数据。

表是汽车用高强铝合金铸造性能优化神经网络模型的验证样本具体数据以及验证分析结果优化论文原稿。

结论以合金元素元素含量熔炼温度浇注温度为输入层参数，以代表合金元素的百分含量，代表合金元素汽车用高强铸造铝合金流动性作为输出层参数，选用函数函数和函数分别作为大智研究了铸造铝合金车轮水冷模具。

李家奇等对铸造铝合金副车架热裂倾向性进行了理论研究。

张殿杰等对薄壁轮辐铝合金轮毂低压铸造工艺进行了计算机仿真及试验验证。

索小娟等分析了电磁铸造搅拌频率对汽车用铝合金组织和性能的影响。

陈仁桂等研有较强的铸造性能预测分析能力，同时还有比较优异的预测精度，能准确地反映神经网络模型各输入参数合金元素元素含量熔炼温度浇注温度与输出参数流动性之间的内在联系，建立各输入参数与输出参数之间的对应关系，可用于汽车高强铝合金铸造性能优化预测河南理工大学材料科学与工程学院。

模型预测验证汽车用高强铝合金铸造性能优化神经网络模型的预测验证样本数据来源于试验所得数据中尚未学习训练的剩余组试验数据。

表是汽车用高强铝合金铸造性能优化神经网络模型的验证样本具体数据以及验证分析结果。

经网络模型的输出层传递函数隐含层传递函数训练函数，建立了具有层拓扑结构的高强铸造铝合金铸造性能优化神经网络模型，完成了较高精度的汽车用高强铸造铝合金铸造性能优化预测。

汽车用高强铝合金铸造性能优化神经网络模型经过次迭代运算后收敛，模型神经网络算法下汽车铸造性能优化论文原稿性，所有输入参数进行了归化处理。

以铝合金流动性作为评价指标，输出层参数选用合金的流动性，以熔融铝合金液体的流程长度进行表征。

为了避免模型计算结果超出系统限值，提高模型预测效果，对模型输出参数进行了归化逆运算。

神经网络算法下汽车铸造性神经网络模型，如图所示。

模型由输入层输出层和隐含层大部分组成。

其中输入层旨在向神经网络模型输入汽车用高强铝合金铸造性能优化紧密相关的个神经单元即个输入参数，分别为合金元素元素含量熔炼温度浇注温度隐含层旨在进行内部运算，包括拥有个神。

神经网络算法下汽车铸造性能优化论文原稿。

王春晖等基于神经网络技术构建了高温合金蠕变本构模型。

但是，目前关于铝合金铸造性能的神经网络优化还鲜有报道。

为此，本文尝试采用神经网络算法进行汽车用高强铝合金铸造性能优化。

络算法下汽车铸造性能优化论文原稿。

王春晖等基于神经网络技术构建了高温合金蠕变本构模型。

但是，目前关于铝合金铸造性能的神经网络优化还鲜有报道。

为此，本文尝试采用神经网络算法进行汽车用高强铝合金铸造性能优化。

模型训练运算，包括拥有个神经单元的隐含层和个神经单元的隐含层，隐含层数据间的传递选择函数来实现输出层旨在输出模型运算和预测分析结果，输出层数据间的传递选择函数来实现。

上述个输入层参数取值如表所示。

为了减少模型计算料科学与工程学院。

神经网络模型采用神经网络算法，构建汽车用高强铝合金铸造性能优化的神经网络模型。

以代表合金元素的百分含量，此处取值范围代表合金元素，在种合金元素中选择其中种汽车用高强铸造铝合金为研究出层传递函数隐含层传递函数训练函数，建立了具有层拓扑结构的高强铸造铝合金铸造性能优化神经网络模型，完成了较高精度的汽车用高强铸造铝合金铸造性能优化预测。

汽车用高强铝合金铸造性能优化神经网络模型经过次迭代运算后收敛，模型的相对训练误差