文献

J-GLOBAL ID：202202215382262550   整理番号：22A0449130

ハイパーパラメータの最適化による多層パーセプトロンモデルトレーニング精度の向上:射出成形部品の品質予測の事例研究【JST・京大機械翻訳】

Enhancement of multilayer perceptron model training accuracy through the optimization of hyperparameters: a case study of the quality prediction of injection-molded parts

著者 (2件)： Ke Kun-Cheng (Department of Mechanical Engineering, YuanZe University, Taoyuan City, Taiwan) ,  Huang Ming-Shyan (Department of Mechatronics Engineering, National Kaohsiung University of Science and Technology, Kaohsiung City, Taiwan)
資料名： International Journal of Advanced Manufacturing Technology  (International Journal of Advanced Manufacturing Technology)
巻： 118  号： 7-8  ページ： 2247-2263  発行年： 2022年 
JST資料番号： T0397A  ISSN： 0268-3768  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 射出成形はプラスチック部品の大量生産に広く使用されており,効率と品質の一貫性の要求を満たす必要がある。機械学習は射出成形部品の品質を効果的に予測することができる。しかし,機械学習モデルの性能は訓練の精度に大きく依存する。活性化関数,運動量および学習速度のようなハイパーパラメータは,モデル訓練の精度および効率に重要である。本研究は,試験精度に及ぼすハイパーパラメータの影響を分析し,対応する最適学習速度を調査して,射出成形部品の品質を予測するための最適訓練モデルを提供した。本研究では,確率的勾配降下(SGD)と運動量による確率的勾配降下(SGDM)を用いて,人工ニューラルネットワークモデルを最適化した。これらの訓練モデルハイパーパラメータの最適化を通して,注入製品の幅試験精度を改良した。実験結果は,運動量効果がない場合,すべての5つの活性化関数が0.1の学習率で訓練精度の90%以上を達成できることを示した。さらに,SGDで最適化したとき,シグモイド活性化機能の学習率は0.1であり,試験精度は95.8%に達した。運動量は精度にほとんど影響しないが,それはSigmoid関数の収束速度に影響し,必要な学習反復回数(82.4%低減率)を低減する。要約すると,ハイパーパラメータ設定を最適化することは,モデル試験の精度を改善し,訓練時間を著しく削減できる。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 運動量 ,  *最適化 ,  学習 ,  大量生産 ,  *射出成形 ,  *事例研究 ,  *多層パーセプトロン ,  機械学習 ,  シグモイド関数
準シソーラス用語： 神経回路網モデル ,  収束速度 ,  活性化関数 ,  学習速度 ,  高精度化 ,  品質予測 , 【Automatic Indexing@JST】

著者キーワード (11件)： 活性化機能 ,  ハイパーパラメータ ,  射出成形 ,  学習速度 ,  機械学習 ,  運動量 ,  品質予測 ,  S状結腸機能 ,  確率的勾配降下 ,  SDM ,  SGDM

分類 (2件)： 人工知能  (JE08000Z) ,  射出成形  (YH04050Y)

タイトルに関連する用語 (9件)： ハイパーパラメータ ,  最適化 ,  多層パーセプトロン ,  モデル ,  トレーニング ,  精度の向上 ,  射出成形部品 ,  品質予測 ,  研究