bp 神经网络 优点 不足_神经网络模型在有限元仿真中的应用

最近人工智能和机器学习在慢慢渗透到各个行业。像人脸识别，自动驾驶这类属于依靠机器视觉技术对获取的图像进行处理，然后利用神经网络算法做出最后的判断。其实CAE仿真也可以使用这类技术，来实现仿真操作的自动化处理。图像的获取可以使用计算机屏幕的自动截取或者录制来得到数据集，然后使用训练好的神经网络模型来进行每一步操作的判断，最后用程序执行键盘和鼠标的点击。

实现这个过程需要用到tensorflow，keras和OpenCV。他们在人工智能中使用非常广泛，也是进行机器视觉的重要工具，这次也是使用它来对截取的屏幕图像进行处理。仿真软件使用的是ANSYS Workbench。语言使用的Python，在Pycharm中编写。

这次主要使用到的API包括了pyscreeze，它主要用于对桌面进行自动截图。pyautogui,这个包主要用于替代人工进行鼠标和键盘的操作。最后就是cv2了，对截取的图像进行相应的处理。神经网络的算法使用的是Yolo V3, 这个算法非常先进，具体关于该算法的详情，本文就不具体介绍了。下图是该算法的截图，如果不了解该算法的具体实现过程，其实也不影响使用。大家可以去Github上下载一个自己喜欢的Yolo程序，目前很多已经编写好的该算法tensorflow程序。

那么简单介绍了需要的python包以后。就需要进行数据集的建立了，这是一个非常耗时耗力的过程，因为需要去采集不同的正确点击图标。本次我们进行一个模态分析的全自动操作，所以计算机需要根据不断的抓取屏幕截图，然后在其中找到正确的点击坐标位子。本文仅介绍一个点击操作的数据集采集，就是下图所示的双击Modal这步操作。需要在不同电脑，不同分辨率和不同大小角度，去获得包括了Modal的截图用于训练和验证。当然这里也可以使用open cv去通过图像处理，增加数据集图片数量。

对制作好的数据集分割好训练集，验证集和测试集就可以使用yolo V3进行训练了，具体的操作就不介绍了，感兴趣的读者可以在网上搜索具体的训练方法。最后得到训练好的权重函数数据，是一个以h5结尾的文件就训练结束了。其他的图标识别的操作也可以使用该方法进行训练得到权重函数。

下面介绍最后一步，当程序识别到需要点击的图片坐标以后就可以使用pyautogui中的doubleClick来双击获得的坐标点位置。这时就可以在面板生成Modal模块了。

后面的类似操作也基本在循环重复这个过程，通过训练得到的权重函数，去获得需要点击的坐标点位子。然后去点击，或者输入相应的参数。来实现基于神经网络算法的仿真全自动操作。

本文介绍得比较简略，主要是叙述一下大致的思路，实际的实现过程还是需要花费很多很多时间的。感兴趣的读者可以给我留言学习讨论，指出不足。如果需要实现本文中介绍的内容具体细节也可以私信我，进行咨询哦。