BP神经网络在质量控制中的应用讲解.doc

BP神经网络在质量控制中的应用 BP神经网络简介（原理及作用） BP神经网络是一种按误差逆传播算法训练得到的多层前馈神经网络。BP神经网络能学习和存贮大量的输入-输出模式映射关系，但是无必事前揭示此种映射关系的数学方程。BP神经网络的学习方法是最速下降法，通过反向传播来不断调整神经网络的权值与阈值，使BP神经网络的误差平方和最小。BP神经网络模型拓扑结构由输入层、隐层与输出层构成。 BP神经网络在自相关过程残差控制图中的应用 收集生成反应自相关生产过程的平稳时间序列ARMA（p，q）数据； -1.023-0.63130.54550.74621.5147-2.78280.06740.49922.1740.4534-1.1840.79690.9540.99670.56761.85910.20710.11520.4578-0.86640.0471.2435-0.6293-0.19361.7261.8451-0.71490.09110.06680.8882.07131.3391-0.23-0.1035-1.12571.82751.63941.83921.6784-2.71960.95221.38250.5763-0.0648-0.33260.77662.1396-0.34420.58140.0409-0.32771.70050.12930.45080.5211-0.73381.49662.0064-2.4923-0.03360.6997-0.45632.45410.60480.31911.2991-0.56830.15571.14520.18382.7908-1.31320.70520.21590.42160.6586-1.63470.8457-2.16791.36411.3598-0.23912.8792-1.28361.09142.3656-0.19891.56380.2758-0.04613.3048-0.16873.03670.9583-0.21120.79390.8281.3053-0.02491.6898 用自相关或偏自相函数判断其自相性； 自相关函数: C3 滞后 ACF T LBQ 1 0.402804 4.03 16.72 2 0.101053 0.88 17.78 3 0.013824 0.12 17.80 4 0.103236 0.89 18.93 5 0.010944 0.09 18.94 6 -0.085554 -0.73 19.74 7 -0.119216 -1.01 21.30 8 -0.077815 -0.66 21.97 9 0.039590 0.33 22.14 10 0.144187 1.21 24.50 11 0.266638 2.20 32.65 12 0.101412 0.80 33.84 13 -0.102219 -0.80 35.07 14 -0.114110 -0.89 36.61 15 -0.036642 -0.28 36.77 16 -0.124414 -0.96 38.65 17 -0.236740 -1.81 45.54 18 -0.194370 -1.44 50.24 19 -0.169470 -1.23 53.85 20 -0.181176 -1.30 58.04 21 -0.021112 -0.15 58.10 22 0.031273 0.22 58.23 23 -0.005770 -0.04 58.23 24 -0.084652 -0.60 59.19 25 -0.050194 -0.35 59.53 C3 的自相关 自相关函数拖尾 偏自相关函数: C3 滞后 PACF T 1 0.402804 4.03 2 -0.073050 -0.73 3 -0.000516 -0.01 4 0.125802 1.26 5 -0.095023 -0.95 6 -0.075121 -0.75 7 -0.0