ABSTRACT:This paper presents a nove

ABSTRACT:
This paper presents a novel weighing method for truck scale based on neural network with weight-smoothing constraint (WSCNN). In this method, the truck scales' prior knowledge, i.e., the correlation of the load cells' output signals and the independence of the truck scale's weighing results with the loading positions, is used to construct the constraint condition for optimizing a neural network (NN) in case of lacking samples, then the NN's performance index is created and the detail algorithm of WSCNN is given. The experimental results show that the weighing errors of the truck scale with WSCNN are far less than those of DIMNN (DIMNN is a training algorithm of NN by using only the data samples, not the prior knowledge), and the errors reduce by one order of magnitude against those of DIMNN. In addition, the WSCNN's generalization ability is more excellent than that of DIMNN especially the lack of training samples.

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ:
บทความนี้นำเสนอวิธีการใหม่สำหรับการชั่งน้ำหนักรถบรรทุกขนาดขึ้นอยู่กับเครือข่ายประสาทที่มีข้อ จำกัด น้ำหนักเรียบ (WSCNN) ในวิธีนี้, เครื่องชั่งน้ำหนักรถบรรทุกความรู้เดิมคือความสัมพันธ์ของโหลดเซลล์ 'สัญญาณและความเป็นอิสระของรถบรรทุกผลการชั่งน้ำหนักของขนาดที่มีตำแหน่งในการโหลดจะใช้ในการสร้างเงื่อนไขข้อ จำกัด สำหรับการเพิ่มประสิทธิภาพโครงข่ายประสาทเทียม (NN ) ในกรณีของขาดตัวอย่างแล้วดัชนีประสิทธิภาพการทำงานของ NN ถูกสร้างขึ้นและรายละเอียดของขั้นตอนวิธี WSCNN จะได้รับ ผลการทดลองแสดงให้เห็นว่าข้อผิดพลาดของการชั่งน้ำหนักเครื่องชั่งรถบรรทุกที่มี WSCNN อยู่ห่างไกลน้อยกว่า DIMNN (DIMNN เป็นขั้นตอนวิธีการฝึกอบรมของ NN โดยใช้เพียงตัวอย่างข้อมูลที่ไม่ความรู้ก่อน) และข้อผิดพลาดลดโดยหนึ่งในคำสั่งของ ขนาดกับผู้ DIMNN นอกจากนี้ความสามารถทั่วไป WSCNN เป็นดีขึ้นกว่าที่ DIMNN โดยเฉพาะอย่างยิ่งการขาดการฝึกอบรมของกลุ่มตัวอย่าง

ผลลัพธ์ (ไทย) 3:

ตัวอย่างเช่นตัวอย่างเช่นตัวอย่างเช่น