ty -jour a2 -Saravanan，R。Au -Gowdru Chandrashekarappa，Manjunath Patel au -Krishna，Prasad au -Parappapagoudar，Mahesh B. Py -2014 DA -2014/2014/10/27 ti- ti -ti -Offers and Reforce and Reverse and Comperse Process模型使用基于神经网络的方法SP -293976 VL -2014 AB-当前的研究工作着重于开发一种智能系统，以建立使用人工神经网络的向前和反向映射的投入输出关系。向前映射旨在预测已知的挤压铸造过程参数（例如时间延迟，压力持续时间，压缩压力，倒入温度和死亡温度）等已知挤压铸造过程参数的密度和次级树突间距（SDA）。还试图满足开发反向模型的工业要求，以预测所需密度和SDA的建议挤压铸造参数。已经提出了两种不同的基于神经网络的方法来执行上述任务，即背部传播神经网络（BPNN）和遗传算法神经网络（GA-NN）。批次培训模式均用于两个监督的学习网络，并且需要大量的培训数据。使用同一作者早期进行的实际实验得出的回归方程，在随机的随机中人为地生成了巨大的训练数据的需求。BPNN和GA-NN模型的性能与十个测试用例的回归相比。结果表明，这两种模型均能够做出更好的预测，并且在选择所需输出的最具影响力参数时可以有效地在车间中使用。SN -1687-9724 UR -https：//doi.org/10.1155/2014/293976 do -10.1155/2014/2014/293976 JF-应用计算智能和软计算PB- Hindawi Publishing Corporation PB-