[发明专利]基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法

摘要

本发明涉及基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，包括以下步骤：S1：数据处理取；S2：确定侵蚀温度及侵蚀时间的优化范围；S3：利用BP神经网络构建侵蚀温度、侵蚀时间与玻璃透过率的关系模型；S4：BP神经网络寻优搜索；本发明利用BP神经网络对防眩玻璃化学侵蚀的工艺参数进行优化，BP神经网络具有高映射能力，可以实现从输入到输出的任意非线性映射，利用BP神经网络高映射能力和泛化能力建立温度、时间与透过率之间的非线性关系可解决受复杂因素影响的参数优化问题。

主权项

1.基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，其特征在于：包括以下步骤：S1：数据处理，建立防眩玻璃化学侵蚀工艺数据集，该数据集包括防眩玻璃化学侵蚀工艺过程中的侵蚀温度、侵蚀时间数据以及与侵蚀温度和侵蚀时间对应的玻璃透过率数据，并对数据集中的玻璃透过率进行标准化处理：Yl＝(yl‑μ)/σ；其中，μ为所有样本数据的均值，σ为所有样本数据的标准差，Yl为标准化后玻璃透过率数据，yl为未标准化前的玻璃透过率数据；S2：确定侵蚀温度及侵蚀时间的优化范围，通过分析玻璃透过率的主效应图，删除主效应值不显著的水平，确定侵蚀温度及侵蚀时间的优化范围；S3：利用BP神经网络构建侵蚀温度、侵蚀时间与玻璃透过率的关系模型，侵蚀温度和侵蚀时间作为网络输入，玻璃透过率作为网络输出，通过对BP神经网络模型参数的调整设置，构建较为理想的网络模型；S4：BP神经网络寻优搜索，在构建良好网络模型的基础上，利用BP神经网络模型的高泛化能力对最优参数组合寻优搜索，初次迭代中，在S2中确定的侵蚀温度及侵蚀时间的优化范围中赋值，并作为神经网络的检测样本，利用BP神经网络模型的泛化能力对检测样本预测出预测玻璃透过率数据，在最优的预测玻璃透过率所对应的侵蚀温度及侵蚀时间组合上下小范围波动，作为下次神经网络迭代的检测样本，并预测出预测玻璃透过率数据，通过多次迭代，将迭代范围逐渐减小，搜索最优侵蚀温度和侵蚀时间组合。