文献

J-GLOBAL ID：201702270004621335   整理番号：17A1678013

アンサンブル学習に基づく連続ストリップ品質オンライン予測法【JST・京大機械翻訳】

Online Prediction of Steel Strip Quality in Continuous Annealing Based on Ensemble Learning

著者 (4件)： Wang Xianpeng (東北大学 工業与系統工程研究所,沈陽,110819) ,  Huang Canming (東北大学 工業与系統工程研究所,沈陽,110819) ,  Xu Zirui (東北大学 工業与系統工程研究所,沈陽,110819) ,  Wang Danjing (東北大学 工業与系統工程研究所,沈陽,110819)
資料名： Kongzhi Gongcheng  (Kongzhi Gongcheng)
巻： 24  号： 3  ページ： 481-486  発行年： 2017年 
JST資料番号： C2953A  ISSN： 1671-7848  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 鉄鋼企業の連続焼なまし生産プロセスはプロセスが複雑で、多くの相互影響を含むプロセス変数により、ストリップ製品の品質の変動が大きく、オンライン測定が困難である。この問題を解決するために,ハイブリッド統合学習に基づく新しいオンライン品質予測法を提案したが,この問題を解決するために新しい方法を提案した。この方法は,Baggingに基づき,Adaboostにおける誤差の大きいサンプルに対する重要な学習戦略を導入し,ハイブリッドアンサンブル学習モデルの精度を改善し,一般化能力を改善する。サブ学習機械の訓練において,動的重みづけに基づく最小二乗サポートベクトルマシン法を提案し,サブ学習機械のロバスト性を改善した。実際の連続生産プロセスのデータに基づく試験結果は,提案したハイブリッドアンサンブル学習法が,予測精度と一般化能力において,BaggingとAdaboostのような従来のアンサンブル学習モデリング法よりも優れていることを示した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 生産プロセス ,  連続焼なまし ,  重みづけ ,  *品質 ,  プロセス変数 ,  学習機械 ,  *学習 ,  *予測技法 ,  *帯板 ,  モデリング ,  ロバスト性
準シソーラス用語： 予測精度 ,  品質予測 ,  *オンライン ,  *アンサンブル学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： Continuous annealing ,  online quality prediction ,  ensemble learning ,  LSSVM

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： アンサンブル学習 ,  ストリップ ,  オンライン ,  予測法