玻璃上片台翻转部件多目标动态优化设计中正交试验样本采集的目的是在神经网络中训练权重系数，获取描述翻转部件结构参数与目标函数和性能约束函数之间非线性关系的神经网络，并将训练好的神经网络作为多目标动态优化设计中获取函数值的方法，是多目标动态优化设计的函数生成器。对于相同的样本数据，训练时间和测算精度整体取决于神经网络模型的类型。因此，神经网络模型应用中的另一个关键问题是模型类型的选择。

　　目前，静态多层前馈神经网络在系统建模和测算中应用较为广泛，主要是因为它具有逼近任何非线性映射的能力。利用静态多层前馈神经网络建立系统的输入/输出模型，本质上是基于网络的逼近能力来学习系统差分方程中的位置非线性函数。对于静态系统的建模和测算，多层前馈网络可以取得良好的成果。BP网络和径向基函数网络是两种常用的函数逼近网络。

　　BP（backpropagation）网络是一种多层前馈神经网络，它使用非线性可微函数来训练权值。它的名字来源于反向传播学习算法，即BP学习算法，用于调整网络权重。BP学习算法以其结构简单、可塑性较强等优点在实践中得到了广泛的应用。BP网络有一个较为重要的定理。

　　径向基函数（RBF）神经网络是一种具有单隐层的三层前馈网络。由于网络的输出层对中间层是一个线性权重，避免了BP网络那样繁琐的计算，具有较高的运算速度和外推能力。同时，该网络具有很强的非线性映射功能。RBF网络通过非线性基函数的线性组合，实现了从输入空间R到输出空间R的非线性变换。证明了径向基函数网络也可以以任意精度逼近任意连续函数。由于它具有结构自适应确定和输出不依赖初始权值的优良特性，在多维曲面拟合、自由曲面重构和大中型设备故障诊断等领域有着广泛的应用。

　　总之，如果要实现相同的函数，径向基函数网络的神经元数量可能比BP网络的多，其隐层中使用的神经元数量通常是输入样本点的数量。然而，当样本点数小于100且使用的参数较少时，径向基函数网络的训练时间小于BP网络，测算精度也高于BP网络。由于玻璃上片台翻转部件多目标动态优化设计的正交试验共采集了50个样本点，我们选择径向基函数网络作为其函数发生器的网络类型。