ارائه الگوريتمي براساس يادگيري ماشين شديد، به منظور نرخ انتقال مواد در فرآيند EDC

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

در مقالة حاضر از روش ماشين يادگيري شديد براي مدل‌سازي نرخ انتقال مواد در فرآيند EDC به عنوان پارامتر تأثيرگذار بر سرعت انجام فرآيند و كيفيت سطح بوجود آمده، استفاده شده است. ميزان ميانگين مربعات خطا (MSE) براي نرخ انتقال مواد در داده‌هاي آموزش 0/000387 و در داده‌هاي آزمون 0/0017 با استفاده از مدل شبكة عصبي ماشين يادگيري شديد بدست آمده است. همچنين، مقدار ميانگين مربعات خطا براي متوسط ضخامت لاية بازنشاني شده در داده‌هاي آموزش 0/000214 و در داده‌هاي آزمون 0/0017 محاسبه شده است. الگوريتم ارائه شده ماشين يادگيري شديد با نتايج تجربي از دقت بالايي در پيش بيني پارامترهاي خروجي فرآيند برخوردار است.

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.