摘要：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.
分类：期刊> 自然科学与工程技术> 工程科技I> 金属学及金属工艺
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > EI 工程索引(美) > CA 化学文摘(美) > JST 日本科学技术振兴机构数据库(日) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏 > 文摘与引文数据库
关键词：极限学习机 熔透状态预测 神经网络 正则约束
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
