ارائه الگوریتمی براساس یادگیری ماشین شدید، به منظور نرخ انتقال مواد در فرآیند Edc

در مقاله حاضر از روش ماشین یادگیری شدید برای مدل‌سازی نرخ انتقال مواد در فرآیند edc به عنوان پارامتر تاثیرگذار بر سرعت انجام فرآیند و کیفیت سطح بوجود آمده، استفاده شده است. میزان میانگین مربعات خطا (mse) برای نرخ انتقال مواد در داده‌های آموزش 387,0.000 و در داده‌های آزمون 7,0.001 با استفاده از مدل شبکه عصبی ماشین یادگیری شدید بدست آمده است. همچنین، مقدار میانگین مربعات خطا برای متوسط ضخامت لایه بازنشانی شده در داده‌های آموزش 214,0.000 و در داده‌های آزمون 7,0.001 محاسبه شده است. الگوریتم ارائه شده ماشین یادگیری شدید با نتایج تجربی از دقت بالایی در پیشبینی پارامترهای خروجی فرآیند برخوردار است.

An Algorithm, Based on Extreme Machine Learning, for Modeling Rate of Material Transfer in EDC Process

In this paper, Extreme Learning Machine method is used to model the rate of material transfer as an effective parameter in process speed and surface quality. Using neural network model of Extreme Learning Machine, the mean squared error (MSE) for the material transfer rate in the learning data is 0.000,387 and in the test data is 0.001,7. While, the mean error squared for the average reset layer thickness, calculated in the learning data, was 0.000,214 and in the test data was 0.001,7. The proposed algorithm of Extreme Learning Machine with experimental results has high accuracy in predicting a process output parameters.