The classification of weld defects using artificial intelligence tools is one of the more up-to-date lines of research and although there are various publications on the subject [4,5], it is still as stated by Liao [13], little explored. The majority of the publications only touch on the uses of Artificial Neural Networks [4,13] and Fuzzy Logic [13,19]. This work resorted to neural networks [20,21] for the implementation of nonlinear pattern classifiers of weld defects, giving a sequence to the work presented by Silva [12,14,15]. With a set of training available, networks with supervised learning were used, where the algorithm of the error backpropagation [20] was used for training of the neural network. The nonlinear classifiers were implemented using neural networks with two layers, one intermediate layer and one output layer. The number of neurons in the intermediate layer was made to vary and the performance and the training errors obtained were followed to find the optimal number of neurons to be used. This optimal number of neurons obtained the best performance of classification with the data used in the learning network. The results found were shown in a graph of neuron numbers versus performance of error classification. In one network of pattern classification, the number of neurons in the output layer corresponds to the number of classes studied, in this case, four neurons in the output, considering the inclusion of only one class (SI), and five neurons in the output, taking the inclusion class subdivided in two classes: the linear (LSI) and nonlinear (NLSI) inclusion. All the neurons were of the hyperbolic tangent type with the presence of bias [20,21].
The input vector x; initially in four dimensions, had its dimensions varied to 3, 2 and 1 in function of the features selected based on the relevance criteria used.
The classification of weld defects using artificial intelligence tools is one of the more up-to-date lines of research and although there are various publications on the subject [4,5], it is still as stated by Liao [13], little explored. The majority of the publications only touch on the uses of Artificial Neural Networks [4,13] and Fuzzy Logic [13,19]. This work resorted to neural networks [20,21] for the implementation of nonlinear pattern classifiers of weld defects, giving a sequence to the work presented by Silva [12,14,15]. With a set of training available, networks with supervised learning were used, where the algorithm of the error backpropagation [20] was used for training of the neural network. The nonlinear classifiers were implemented using neural networks with two layers, one intermediate layer and one output layer. The number of neurons in the intermediate layer was made to vary and the performance and the training errors obtained were followed to find the optimal number of neurons to be used. This optimal number of neurons obtained the best performance of classification with the data used in the learning network. The results found were shown in a graph of neuron numbers versus performance of error classification. In one network of pattern classification, the number of neurons in the output layer corresponds to the number of classes studied, in this case, four neurons in the output, considering the inclusion of only one class (SI), and five neurons in the output, taking the inclusion class subdivided in two classes: the linear (LSI) and nonlinear (NLSI) inclusion. All the neurons were of the hyperbolic tangent type with the presence of bias [20,21]. The input vector x; initially in four dimensions, had its dimensions varied to 3, 2 and 1 in function of the features selected based on the relevance criteria used.
การแปล กรุณารอสักครู่..
The classification of weld defects using artificial intelligence tools is one of the more up-to-date lines of research and although there are various publications on the subject [4,5], it is still as stated by Liao [13], little explored. The majority of the publications only touch on the uses of Artificial Neural Networks [4,13] and Fuzzy Logic [13,19]. This work resorted to neural networks [20,21] for the implementation of nonlinear pattern classifiers of weld defects, giving a sequence to the work presented by Silva [12,14,15]. With a set of training available, networks with supervised learning were used, where the algorithm of the error backpropagation [20] was used for training of the neural network. The nonlinear classifiers were implemented using neural networks with two layers, one intermediate layer and one output layer. The number of neurons in the intermediate layer was made to vary and the performance and the training errors obtained were followed to find the optimal number of neurons to be used. This optimal number of neurons obtained the best performance of classification with the data used in the learning network. The results found were shown in a graph of neuron numbers versus performance of error classification. In one network of pattern classification, the number of neurons in the output layer corresponds to the number of classes studied, in this case, four neurons in the output, considering the inclusion of only one class (SI), and five neurons in the output, taking the inclusion class subdivided in two classes: the linear (LSI) and nonlinear (NLSI) inclusion. All the neurons were of the hyperbolic tangent type with the presence of bias [20,21].
The input vector x; initially in four dimensions, had its dimensions varied to 3, 2 and 1 in function of the features selected based on the relevance criteria used.
การแปล กรุณารอสักครู่..
การ classi ไอออนบวกของข้อบกพร่องจึงเชื่อมแห่งปัญญาคือเครื่องมือที่ใช้ถ่ายทอดหัวใจไปหนึ่งสายที่ทันสมัยมากขึ้นของการวิจัย และแม้ว่าจะมีสิ่งพิมพ์ต่าง ๆ เกี่ยวกับเรื่อง [ 4 , 5 ] ก็ยังตามที่ระบุไว้โดยเหลียว [ 13 ] น้อย สํารวจ ส่วนใหญ่ของสิ่งพิมพ์เท่านั้น สัมผัส ในการใช้โครงข่ายประสาท 4,13 จึงจำเป็นต้อง่ [ ] และ [ ตรรกศาสตร์ 13,19 ] งานนี้ใช้เครือข่ายประสาท [ 2021 ] สำหรับการไม่เชิงเส้นแบบ classi ERS บกพร่อง จึงประสานให้ลำดับงานที่นำเสนอโดย ซิลบา [ 12,14,15 ] กับชุดของการฝึกอบรมพร้อมเครือข่ายกับการเรียนรู้แบบใช้ที่อัลกอริทึมของ Backpropagation ข้อผิดพลาด [ 20 ] ใช้สำหรับการฝึกอบรมเครือข่ายประสาท ไม่เชิง classi ERS จึงได้ดําเนินการโดยใช้โครงข่ายประสาทเทียมที่มี 2 ชั้นหนึ่งกลางชั้นและหนึ่งออกชั้น จำนวนเซลล์ประสาทในชั้นกลางได้แตกต่างกัน และการทำงานและการได้รับการถ่ายทอดและข้อผิดพลาดที่เหมาะสมจำนวนเซลล์ประสาทที่ต้องใช้ จำนวนที่เหมาะสมของเซลล์ประสาทได้รับประสิทธิภาพที่ดีที่สุดของการถ่ายทอด classi กับข้อมูลที่ใช้ในเครือข่ายการเรียนรู้พบถูกแสดงในกราฟของจำนวนเซลล์เมื่อเทียบกับประสิทธิภาพของข้อผิดพลาด classi จึงไอออนบวก หนึ่งในเครือข่ายของรูปแบบ classi จึงบวก จำนวนเซลล์ประสาทในชั้นผลผลิตที่สอดคล้องกับจำนวนของชั้นเรียนที่ศึกษาในกรณีนี้ สี่เซลล์ประสาทในการส่งออก เมื่อพิจารณารวมเพียงหนึ่งชั้น ( SI ) และประสาทจึงได้ในผลผลิตการรวมชั้นเรียนแบ่งเป็นสองคลาส : เชิงเส้น ( LSI ) และแบบไม่เป็นเชิงเส้น ( nlsi ) รวม ประสาททั้งหมดของไฮเพอร์โบลิกแทนเจนต์ประเภทกับการปรากฏตัวของอคติ [ 20,21 ] .
ข้อมูลเวกเตอร์ x ; เริ่มต้นใน 4 มิติ ทั้งมิติที่แตกต่างกันถึง 3 , 2 และ 1 ในฟังก์ชันของการเลือกคุณสมบัติตามความเกี่ยวข้อง เกณฑ์ .
การแปล กรุณารอสักครู่..