CN114529040B 一种机电产品装配误差在线预测方法 （南京理工大学）_第1页
CN114529040B 一种机电产品装配误差在线预测方法 （南京理工大学）_第2页
CN114529040B 一种机电产品装配误差在线预测方法 （南京理工大学）_第3页
CN114529040B 一种机电产品装配误差在线预测方法 （南京理工大学）_第4页
CN114529040B 一种机电产品装配误差在线预测方法 （南京理工大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

AntennaAssemblyAccuracyBasedonAOSKELM.Processes.2023,第11卷1460.本发明提出了一种基于自编码器与Boosting-OSKELM算法的机电产品装配误差在线数据集；其次基于带有Fine-Tuning技巧的自编维后的工艺数据与原装配误差数据组成新的降阶表征数据；接着将降维后的工艺数据输入至Boosting-KELM模型中，结合在测试集上的预测性能，确定核函数的提升顺序以及对应的超参21.一种基于自编码器与Boosting-OSKELM算法的机电产品装配误差在线预测方法，其步骤2、基于带有Fine-Tuning技巧的自编码器进行样步骤3、基于Boosting-OSKELM的装配误差在线预测：2.根据权利要求1所述的基于自编码器与Boosting-OSKELM算法的机电产品装配误差3矩阵与测试集矩阵分别记为和其中N1、N2分别表示训练3.根据权利要求1所述的基于自编码器与Boosting-OSKELM算法的机电产品装配误差多层感知机的输入层神经元数目为M1，输出层的数目与训练集中的输出维度数目M2一在确定自编码器与多层感知机的网络结构后，将多层感知4(5)将自编码器中的编码器部分剥离下来，并保留(3)中确定的自编码器网络内部参的训练集输出Y′组成新的训练集b,同理得到降阶表征后的测试集E,至此完成了整个数5[0001]本发明属于机电产品装配质量领域，特别是一种基于自编码器与Boosting-[0005]本发明的目的在于提供一种基于自编码器与Boosting-OSKELM算法的机电产品装[0007]一种基于自编码器与Boosting-OSKELM算法的机电产品装配误差在线预测方法，6超参数与提升顺序下，使用基于第一个核的核极限学习机在降阶后的训练集上进行预测，极限学习机均完成预测；随后，将不同核极限学习机的预测结果进行累加，即可得到Boosting-KELM的预测性能；通过对预测性能的比较，筛选出预测精度最高的Boosting-本数据点处于较高维的空间中，这就使得装配误差预测易受到多个不同维度数据的影响。[0013]图1为一种基于自编码器与Boosting-OSKELM算法的装配误差在线预测方法流程[0017]附图1是一种基于自编码器与Boosting-OSKELM算法的装配误差在线预测方法流7的维度数目；对于第i个样本点，将其输入与输出分别记为xi＝[xi1,xi2,xi3,...]与yi=[0031](1)搭建预测网络结构：自编码器的输入层与输出层的神经元数目与训练集中的8[0037](3)梯度下降法更新网络连接权重：对整体网络结构的损失函数按照下式进行修9[0076]上述过程仅为单个核的装配误差预测结果，按照(

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论