本论文是对一种材料优化设计新方法——模式识别-人工神经网络方法进行研究,并用于解决新材料开发过程中常遇到试验周期长,影响因素复杂,反应机理不明等难题。这种新方法运用模式识别方法对样本数据进行定性分析和样本筛选,运用特殊的人工神经网络模型进行定量分析和精确预报,并在二维映照图上直观地显示出目标值的分布规律。其基本原理是:根据拓扑结构在映射过程中不变的原理,将多维向量首先映射到二维平面上,再通过非线形函数向高维空间扩展、迭加并输出,这样可以避免在传递过程中变量间关系被屏蔽或覆盖。由映射平面图像来展现数据所隐含的规律,从平面图象来直观地确定最优点或区域,为材料优化设计和试验设计提供了一种行之有效的决策支持方法。 本文所作的主要研究工作如下: 构建了人工神经网络实现模式识别的非线性映射模型,并引入“列队竞争算法”与“梯度法”结合产生的一种混合算法解决人工神经网络学习训练中容易陷入局部极小的问题,很好的兼顾了全局搜索和局部搜索的要求。其中,列队竞争算法的主要作用是实现全局搜索,而梯度法的作用是实现局部寻优,这两种方法的结合,可以使全局搜索与局部搜索达到均衡和统一。实际的计算结果表明,混合算法比单一的算法效果明显,映射的误差小且学习训练的速率快,建立的映射模型能真实地反映客观规律。 研究用计算机模式识别-人工神经网络方法辅助材料设计和试验优化,用PR-ANN实现了筛选样本数据,筛选变量,模式识别定性分析,人工神经网络精确预报等功能,并开发了PR-ANN系统优化软件。 检验了PR-ANN系统对单目标、多目标的优化问题,得到了较满意的效果。用人的视觉直观的判断二维映射平面中的等值线分布规律从而使复杂的多目标优化问题变得简单。将PR-ANN系统用于材料配方设计、性能优化的实例研究,分别对单目标,双目标和三目标实例问题进行了研究,并进行预报,取得了比其它优化方法更好的结果。