玻璃上片臺翻轉部件多目標動態優化設計中正交試驗樣本采集的目的是在神經網絡中訓練權重系數，獲取描述翻轉部件結構參數與目標函數和性能約束函數之間非線性關系的神經網絡，并將訓練好的神經網絡作為多目標動態優化設計中獲取函數值的方法，是多目標動態優化設計的函數生成器。對于相同的樣本數據，訓練時間和測算精度整體取決于神經網絡模型的類型。因此，神經網絡模型應用中的另一個關鍵問題是模型類型的選擇。

　　目前，靜態多層前饋神經網絡在系統建模和測算中應用較為廣泛，主要是因為它具有逼近任何非線性映射的能力。利用靜態多層前饋神經網絡建立系統的輸入/輸出模型，本質上是基于網絡的逼近能力來學習系統差分方程中的位置非線性函數。對于靜態系統的建模和測算，多層前饋網絡可以取得良好的成果。BP網絡和徑向基函數網絡是兩種常用的函數逼近網絡。

　　BP（backpropagation）網絡是一種多層前饋神經網絡，它使用非線性可微函數來訓練權值。它的名字來源于反向傳播學習算法，即BP學習算法，用于調整網絡權重。BP學習算法以其結構簡單、可塑性較強等優點在實踐中得到了廣泛的應用。BP網絡有一個較為重要的定理。

　　徑向基函數（RBF）神經網絡是一種具有單隱層的三層前饋網絡。由于網絡的輸出層對中間層是一個線性權重，避免了BP網絡那樣繁瑣的計算，具有較高的運算速度和外推能力。同時，該網絡具有很強的非線性映射功能。RBF網絡通過非線性基函數的線性組合，實現了從輸入空間R到輸出空間R的非線性變換。證明了徑向基函數網絡也可以以任意精度逼近任意連續函數。由于它具有結構自適應確定和輸出不依賴初始權值的優良特性，在多維曲面擬合、自由曲面重構和大中型設備故障診斷等領域有著廣泛的應用。

　　總之，如果要實現相同的函數，徑向基函數網絡的神經元數量可能比BP網絡的多，其隱層中使用的神經元數量通常是輸入樣本點的數量。然而，當樣本點數小于100且使用的參數較少時，徑向基函數網絡的訓練時間小于BP網絡，測算精度也高于BP網絡。由于玻璃上片臺翻轉部件多目標動態優化設計的正交試驗共采集了50個樣本點，我們選擇徑向基函數網絡作為其函數發生器的網絡類型。