iSIGHT-FD_05_近似模型教学幻灯片.pptVIP

总结：流程图 DOE采集数据 实验数据 随机选择 数据采集 选择模型 类型 拟合 模型 模型可以 接受? 使用该模型 代替仿真程序 验证 模型 Y N X Y 响应面模型（RSM） 径向基神经网络模型（RBF） 误差分析 练 习 联系我们 tech@ 010 010A Q Q U E S T I O N S A N S W E R S 解决优化问题的过程中，经常会遇到这些问题 我们来看近似模型能不能解决这些工程问题。 下面来为大家介绍一下近似模型，也称为代理模型。 又称为连接模型，模拟大脑的某些机理与机制。 iSIGHT采用的是径向基神经元网络。 主要是神经网的解算，在建立过程中包括训练和预测，训练是至关重要的。 输入是径向基函数，非线性的，而输出为线性函数。 只有一个隐含层。 就是要求“入”的值。 三种方式均可使用。 1，鼠标托拽 2，点击右键 3，点击图标 * iSIGHT-FD近似模型 赛特达（北京）科技有限公司 大纲 概述 iSIGHT-FD中的近似模型方法 响应面模型(RSM) 径向基神经网络(RBF) 在iSIGHT-FD中实现近似模型方法 近似模型后处理工具 练习 概 述 背景 近似模型又称为代理模型，顾名思义，它的宗旨就是用一个近似的数学模型来描述一系列输入和输出值之间的关系。 近似模型的初始化需要依据一定数量的试验值为基础。 1964年以来，近似模型技术在数据分析方面取得了很多成就。 需求分析 工程上仿真时间一般都很长 通常优化问题会陷入局部解 设计空间未知 X与Y的关系不明确 近似模型的优点 提高优化效率： 减少计算机高强度仿真计算的次数 提高优化算法性能： 用更多的近似方法来扩展数值优化算法已有的近似方法 通过平滑响应函数，为“噪声”计算工具改善收敛状况 减少困在局部解的机会，使数值优化算法也有可能找到全局解 敏度分析： 更好的理解X 和 Y的关系 组成更好的优化策略： 可配合其他方便优化和质量工程工具的使用，防止使用昂贵代价的仿真，比如： 仿真计算 优化计算（遗传算法、模拟退火算法，…) 试验设计 蒙特卡罗分析 可靠性分析优化 田口稳健设计 6 Sigma分析优化 近似模型术语 独立变量: 设计者控制的输入参数。 响应: 被预测的性能或质量特征。 近似模型（代理模型）: 预测响应值的近似 “metamodel” ，代替昂贵、耗时的仿真程序。 近似方法: 对于开发、改善、优化过程和产品有用的统计方法和数学方法的集合。 预测: 利用近似Metamodel获得估计的响应。 近似模型思想 Optimization Model Simcode Optimization Model CAE 优化方法 近似模型 CAE 优化方法 目的： 建立X与Y的近似关系 精确模型：Y= Y(X) ? 近似模型： Y~ = Y~(X) 减少数值模拟的次数 平滑设计空间的数值噪声 估计最优设计 X Y RSM2 RSM1 RSM0 Target: 逼近全局最小点区域 真实响应曲线 抽样点 响应面近似曲线 iSIGHT-FD中的近似模型方法 1. 响应面模型RSM（Response Surface Model） 2. 径向基神经网络模型RBF（Radial Basis Function） 1. RSM-多项式的项数确定 杨辉三角 1. RSM-响应面模型 DOE采集数据、随机抽样、实验数据 通常是一次或高阶多项式 一阶: 二阶: 3~4阶 ： 2阶RSM在近似非线性、任意设计空间时能力有限，而高阶 RSM 更有效 用最小二乘法拟合数据 (计算 b 系数) 模型更新过程: 先一阶，过渡到高阶 不能保证响应面包含所有的样本点，平滑设计空间 X Y 2. RBF-神经(元)网络 神经元网络是基于生物学的神经元网络基本原理而建立的。它是由许多神经元的简单处理单元组成的一类适应系统，而所有神经元通过前向或回馈的方式相互关联、相互作用。 如今人们对神经元网络的研究正日趋成熟，并构造出了各种各样的神经元网络，如多层前向神经元网络、放射函数网络、Kohonen自组织特征图、适应理论网络、Hopfield网络、双向辅助存储网络、计数传播网络及认知与新认知网络。 神经元网络已经被广泛的应用到函数逼近、模式识别、图像处理与计算机视觉、信号处理、时间序列、医药控制、专家系统、动力系统、军事系统、金融系统、人工智能以及优化等方面。 神经元网络的一个重要作用就是具有对运作机制的学习能力，这种能力不仅表现在对精确样本的学习上，对那些可能不完全或是有噪音的新数据，神经元网络还可以起到校正的作用。 2. RBF-神经网络与人