机构名称：
¥ 1.0
摘要 - 为训练神经网络提供了一个新框架，该框架基于测量变化的表征和稳定。该框架产生了许多有用的属性，可最大程度地利用数据的使用以及以原则上的方式解释结果的解释。这是通过方差稳定和随后的标准化步骤来实现的。该方法是一种通用方法，可以在可重复性数据可用的任何情况下使用。以这种方式进行标准化允许从统计的角度来解释拟合的良好和测量数据。我们在分析高级制造数据中证明了该框架的实用性。索引术语 - 变化稳定，神经网络，多层感知器，降低的卡 - 清点，CHI-Square每度自由度，这项工作中的金属添加剂制造作为一种普遍的回归，用于研究金属添加性制造（AM）过程参数和所致的融合属性属性的金属添加性生产（AM）的关系。在这里将对添加剂数据的分析作为用例表示，但是框架本身是一般的，可以在可重复性数据可用的任何方法中使用。添加剂制造是一个3D打印过程，它以逐层方法构建组件； Meltpool是熔融原料和底物材料的体积。这通常会导致数据集的样本数量少[1]，[2]，这些数据集需要一种系统的方法学方法来帮助鲁棒解释。了解材料和熔体之间的基本物理和关系是过程优化的关键，但是对原位测量的机会是有限的，因此缺乏基本的过程理解。使用神经网络在分析高级制造过程数据中提出了特定的困难，因为收集高质量的数据是充分的，复杂的，需要仔细的计划。
方差稳定神经网络的优化
主要关键词
相关文件推荐
