基于L1/L2极限学习机的熔池熔透状态识别
针对电弧焊熔池变化过程中非线性因素导致的熔透状态识别准确率低的问题,利用极限学习机(ELM)网络框架,提出一种基于L1/L2范数约束的ELM熔透状态识别模型.通过高速视觉传感系统获取熔池图像,利用主成分分析来进行特征提取.采用结构简单、训练简便的ELM算法来训练熔透识别模型,并利用L1范数约束抑制ELM输出权重中的异常值以改善ELM算法的泛化能力,同时利用L2范数约束来平滑ELM输出权重以获取熔池图像中的团块特征,提高熔池熔透状态的识别准确率.结果表明,基于L1/L2-ELM的熔透状态识别模型能够快速有效地判别熔池的全熔透、未熔透、过熔透三种状态.
极限学习机、熔透状态预测、神经网络、正则约束
39
TG409(焊接、金属切割及金属粘接)
国家自然科学基金项目61361006;广西自然科学基金项目2016GXNSFBA380160;广西高校机器人与焊接重点实验室主任基金项目JQR2015ZR01;省部共建药用资源化学与药物分子工程国家重点实验室资助课题NCOC2016-B01
2018-11-15（万方平台首次上网日期，不代表论文的发表时间）
共5页
31-35
