The proposed method to predict mach

The proposed method to predict machining using NNGA model is depicted in Fig. 5. The topology of a neural network model as shown in Fig. 4 is defined and will remain fixed after the initialization. The learning function is gradient descent algorithm with momentum weight and bias learning function. The transfer function and error criteria (mean square error) are fixed. Training is done by genetic algorithm search. In this application each string or chromosome in the population represents the weight and bias value of the network. The initial population is generated randomly. By selecting suitable parameters like selection criteria, probability of crossover, probability of mutation, initial population etc., to the GA, high efficiency and performance is achieved. The objective function is minimization of the mean square error. Fitness function considered is the minimum of the mean square error and computed by recalling the network. After getting the fitness values of all chromosomes, they are ranked based on the best fitness values. For the production of offspring for next generation half of the best-ranked population is selected. This half population undergo crossover with crossover probability (0.9). This again will be mutated to give a new offspring, with mutation probability (0.08), which is combined with selected best population to form a new population for the next generation. Typical neural network model of 4–5–2 architecture with weights is depicted in Fig. 6. Where X1, X2, . . . are inputs and Y1, Y2, . . . are outputs. This will be continued till the stopping criteria are reached. The stopping criteria for this network are the number of generations. Neural network coded with optimal weight set chromosome produced by genetic algorithm is forwarded to predict the quality of weld.

ผลลัพธ์ (ไทย) 1:

วิธีการทำนายโดยใช้แบบจำลอง NNGA การตัดเฉือนนำเสนอเป็นภาพใน Fig. 5 โครงสร้างของแบบจำลองโครงข่ายประสาทตามที่แสดงใน Fig. 4 ไว้ และยังคงคงที่หลังจากการเริ่มต้น ฟังก์ชั่นการเรียนรู้คือ อัลกอริทึมโคตรไล่โทนสีน้ำหนักโมเมนตัมและความโน้มเอียงที่เรียนรู้ฟังก์ชัน โอนย้ายข้อผิดพลาดและฟังก์ชันเงื่อนไข (ข้อผิดพลาดของค่าเฉลี่ยกำลังสอง) จะคง ฝึกอบรมกระทำ โดยการค้นหาขั้นตอนวิธีพันธุกรรม ในโปรแกรมประยุกต์นี้ แต่ละสายหรือโครโมโซมในประชากรแสดงน้ำหนักและตั้งค่าของเครือข่าย ประชากรเริ่มต้นจะถูกสร้างขึ้นแบบสุ่ม ประชากรเริ่มต้นฯลฯ GA ประสิทธิภาพสูง และประสิทธิภาพการทำงานสามารถทำได้ โดยการเลือกพารามิเตอร์ที่เหมาะสมเช่นเกณฑ์การเลือก ความน่าเป็นแบบไขว้ ความน่าเป็นของการกลายพันธุ์ ฟังก์ชั่นวัตถุประสงค์คือ การลดข้อผิดพลาดของค่าเฉลี่ยกำลังสอง ฟังก์ชันการออกกำลังกายที่ถือว่าเป็นขั้นต่ำของข้อผิดพลาดของค่าเฉลี่ยกำลังสอง และคำนวณ โดยเรียกเครือข่าย หลังจากรับค่าฟิตเนสของ chromosomes ทั้งหมด พวกเขาจะจัดอันดับตามค่าออกกำลังกายดีที่สุด สำหรับการผลิตของลูกหลานในรุ่นต่อไป ครึ่งหนึ่งของประชากรอันดับดีที่สุดถูกเลือก นี้ประชากรครึ่งรับไขว้กับความน่าเป็นแบบไขว้ (0.9) นี้อีกจะมี mutated ให้ลูกหลานที่ใหม่ มีความกลายพันธุ์ (0.08), ซึ่งรวมกับประชากรเลือกดีที่สุดเพื่อประชากรใหม่สำหรับรุ่นต่อไป แบบจำลองโครงข่ายประสาททั่วไป 4 – 5 – 2 สถาปัตยกรรม ด้วยน้ำหนักเป็นภาพใน Fig. 6 ที่ X 1, X 2,...เป็นอินพุตและ Y1, Y2,...จะแสดงผล นี้จะมีอย่างต่อเนื่องจนบรรลุเงื่อนไขการหยุด เงื่อนไขการหยุดสำหรับเครือข่ายนี้มีหมายเลขรุ่น มีโค้ด มีโครโมโซมกำหนดน้ำหนักสูงสุดที่ผลิต โดยขั้นตอนวิธีพันธุกรรมโครงข่ายประสาทถูกส่งต่อไปทำนายคุณภาพของเชื่อม

ผลลัพธ์ (ไทย) 2:

วิธีที่นำเสนอในการทำนายการกลึงโดยใช้แบบจำลอง NNGA เป็นที่ปรากฎในรูป 5. โครงสร้างของรูปแบบเครือข่ายประสาทดังแสดงในรูป 4 มีการกำหนดและจะคงที่หลังจากการเริ่มต้น ฟังก์ชั่นการเรียนรู้เป็นขั้นตอนวิธีการไล่ระดับสีโคตรมีน้ำหนักโมเมนตัมและฟังก์ชั่นการเรียนรู้อคติ ฟังก์ชั่นการถ่ายโอนและเกณฑ์ข้อผิดพลาด (หมายถึงความผิดพลาดของสแควร์) ได้รับการแก้ไข การฝึกอบรมจะกระทำโดยการค้นหาวิธีทางพันธุกรรม ในโปรแกรมนี้แต่ละสายหรือโครโมโซมในประชากรหมายถึงน้ำหนักและค่าชดเชยของเครือข่าย ประชากรเริ่มต้นจะถูกสร้างขึ้นแบบสุ่ม โดยการเลือกพารามิเตอร์ที่เหมาะสมเช่นเกณฑ์การคัดเลือกน่าจะเป็นของครอสโอเวอร์น่าจะเป็นของการกลายพันธุ์ของประชากรเริ่มต้น ฯลฯ เพื่อ GA ที่มีประสิทธิภาพสูงและประสิทธิภาพการทำงานจะประสบความสำเร็จ ฟังก์ชันวัตถุประสงค์คือการลดข้อผิดพลาดของตารางค่าเฉลี่ย ฟังก์ชั่นการออกกำลังกายถือว่าเป็นขั้นต่ำของความคลาดเคลื่อนกำลังสองเฉลี่ยและคำนวณโดยนึกถึงเครือข่าย หลังจากที่ได้รับค่าการออกกำลังกายของโครโมโซมทั้งหมดที่พวกเขามีการจัดอันดับขึ้นอยู่กับค่าที่ดีที่สุดการออกกำลังกาย สำหรับการผลิตของลูกหลานสำหรับครึ่งรุ่นต่อไปของประชากรที่ดีที่สุดอันดับที่ถูกเลือก ประชากรครึ่งหนึ่งนี้ได้รับการครอสโอเวอร์ที่มีความน่าจะเป็นครอสโอเวอร์ (0.9) ครั้งนี้จะมีการกลายพันธุ์ที่จะให้ลูกหลานใหม่ที่มีความน่าจะเป็นกลายพันธุ์ (0.08) ซึ่งจะรวมกับประชากรที่ดีที่สุดที่เลือกในรูปแบบใหม่สำหรับประชากรรุ่นต่อไป โดยทั่วไปรูปแบบเครือข่ายประสาทของสถ​​าปัตยกรรม 4-5-2 มีน้ำหนักเป็นที่ปรากฎในรูป 6. ในกรณีที่ X1, X2, . . เป็นปัจจัยการผลิตและ Y1, Y2, . . มีเอาท์พุท นี้จะได้รับอย่างต่อเนื่องจนถึงเกณฑ์หยุดจะถึง หยุดเกณฑ์สำหรับเครือข่ายนี้มีจำนวนของรุ่น เครือข่ายประสาทเขียนด้วยโครโมโซมกำหนดน้ำหนักที่ดีที่สุดที่ผลิตโดยวิธีทางพันธุกรรมจะถูกส่งต่อในการทำนายคุณภาพของการเชื่อม

ผลลัพธ์ (ไทย) 3:

วิธีการทำนายด้วยแบบจำลองเครื่องจักรกล nnga เป็นภาพในรูปที่ 5 โครงสร้างของแบบจำลองโครงข่ายประสาทเทียมดังแสดงในรูปที่ 4 กำหนดและจะยังคงถาวรหลังจากการเริ่มต้น . ฟังก์ชันการเรียนรู้ขั้นตอนวิธีการเชื้อสายที่มีน้ำหนักโมเมนตัมและอคติในการเรียนรู้การทำงาน โอนหน้าที่และเกณฑ์ความคลาดเคลื่อน ( ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ) จะคงที่การฝึกทำโดยขั้นตอนวิธีเชิงพันธุกรรม ในโปรแกรมนี้ในแต่ละสาย หรือโครโมโซมในประชากร หมายถึงน้ำหนักและค่าความลำเอียงของเครือข่าย ประชากรเริ่มต้นสร้างขึ้นแบบสุ่ม โดยการเลือกพารามิเตอร์ที่เหมาะสม เช่น เกณฑ์การเลือก ความน่าจะเป็นของครอสโอเวอร์ ความน่าจะเป็นของการเริ่มต้น , ประชากร ฯลฯ เกม ประสิทธิภาพสูงและประสิทธิภาพที่ได้ฟังก์ชันวัตถุประสงค์คือการลดของหมายถึงตารางข้อผิดพลาด ฟิตเนสฟังก์ชันถือว่าเป็นขั้นต่ำของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง และคำนวณโดยเรียกเครือข่าย หลังจากการฟิตเนส ค่าของทั้งหมด ) , พวกเขาจะจัดอันดับตามค่าฟิตเนสที่ดีที่สุด สำหรับการผลิตของลูกหลานรุ่นต่อไปสำหรับครึ่งของประชากรอันดับที่ดีที่สุดคือเลือกครึ่งนี้ประชากรผ่านข้ามกับความน่าจะเป็นแบบไขว้ ( 0.9 ) นี้อีกครั้งจะกลายพันธุ์เพื่อให้ลูกใหม่ โอกาสการกลายพันธุ์ ( 0.08 ) ซึ่งรวมกับการเลือกที่ดีที่สุดของประชากรเพื่อสร้างประชากรใหม่สำหรับรุ่นต่อไป โครงข่ายประสาทเทียมแบบทั่วไป 4 – 5 – 2 สถาปัตยกรรมกับน้ำหนักจะแสดงในรูปที่ 6 ที่ X1 , X2 , . . . . . . . . เป็นปัจจัยการผลิต และ y1 , Y2 , . . . . . . . .เป็นเอาท์พุท นี้จะต่อเนื่องจนถึงการพิจารณาถึง การหยุดหลักเกณฑ์เครือข่ายนี้เป็นหมายเลขรุ่น โครงข่ายประสาทเทียมรหัสที่เหมาะสมน้ำหนักชุดโครโมโซมที่ผลิตโดยวิธีทางพันธุกรรมจะถูกส่งต่อเพื่อทำนายคุณภาพของการเชื่อม