图1 PDPhSM基纳米复合薄膜的制备过程示意
图
Fig
1
Synthesis
process
of
PDPhSM
nanocomposites thin films
为了验证是否发生聚合反应，用傅里叶变换红外光谱仪（FT-IR，Perkin-Elmer 1600）对薄膜试样进行分析。聚合反应前后薄膜的厚度用触针式表面形状测定仪进行测量。由于在加热过程中聚合反应与再蒸发进行竞争，所以我们定义聚合物PDPhSM基纳米复合薄膜与TPDC单体薄膜的厚度比为聚合效率。实验所得到的数据用于人工神经网络建模与预测。
表1： 人工神经网络训练与预测点
Table 1 Artificial neural network training and prediction points
5
SaFluence PressurDistan
e
ce
Time Polym..E(%)Outp(Seconffic.Desirut ds)
ed
RBF
mpl(mJ/cm2pe
u)
（Torr） (mm)
1 3140 2.0 15
0
658.112 348.139 376.941 385.006 370.010 5 384.049
58
2 3 4 5 6 7 8 9 10 11 12
4700 4760 4780 4760 4760 4050 4760 4780 4760 4050 4760
6.0 10.0 15.0 2.0 2.0 10.0 0.5 6.0 2.0 10 2.0
15 15 0 15 15 0 15 15 0 15 15 0 15 15 25 0
48
77
85
70
84
62
362.001
0
353.092 0
5 80.967
53
81
6
30
20
62.000 83.943
84
62
56
55.973
13* 4760 14* 4050 15* 4320 16* 3680
2.0 10.0 1.0 1
15 15 0 5 5
0
20
80
*Testing sample
33.012 63.695
34
362.145 687.558
62
64 88
图2 RBF神经网络的结构
Fig 2 Structure of RBF neural network
3 人工神经网络建立模型
[5-6]
7
RBF神经网络是具有单隐层的三层前馈网络，其通常分为输入层、隐含层和输出层，如图2所示。其中，从输入层到隐含层空间的映射是非线性的，而从隐含层到输出层空间的变换，则是线性的。在RBF网络中，隐含层单元采用径向基函数作为映射函数。它对输入激励产生一个局部化的响应，即仅当输入落在输入空间中的一个很小的指定区间中时，隐单元才做出有意义的非零响应，输出层的输出为各隐单元的输出加权和。
现在采用三层的RBF网络结构（图2）。其中网络的四个输入分别为激光能量密度x1、环境压强x2、沉积时间x3和靶与衬底之间的距离x4作为输入参数，聚合效率y预报模型的输出参数。中间隐含层为7个高斯基函数。输入层到隐含层的权值固定为1，隐含层到输出层之间的权值可调。人工神经网络的学习算法如下：
(1)选择RBF网络隐层节点的中心：中心可从学习样本中选
取，在样本数较为密集处，中心数可适当多选；本文选择学习样本为基函数的中心；
（2）确定网络的基宽向量B；基宽向量的基宽度b由公式
b?dmaxm计算选取，其中dmax 为隐层中心节点间的最大距
离，m为中心节点的个数；由上算法中的公式计算取为1.2；
（3）隐含层与输出层之间权值wj的初始化：选取数值较小
8
相关推荐：
loading