Resumen

Se propone un tipo de redes neuronales difusas (FNNs) basadas en la agrupación adaptativa de patrones y el mapa de características (APCFM) para mejorar la propiedad del gran retraso y la variación temporal del proceso de sinterización. Utilizando la agrupación por densidad y la cuantificación vectorial de aprendizaje (LVQ), el proceso de sinterización se divide automáticamente en subclases que tienen un centro de agrupación similar y un número de adaptación etiquetado. A continuación, estas muestras de subclase etiquetadas se introducen en una red neuronal difusa (FNN) para su entrenamiento; esta red se utiliza para resolver el problema de predicción del punto de quemado (BTP). Utilizando los 707 grupos de datos reales del proceso de entrenamiento y la FNN para entrenar el algoritmo APCFM, los experimentos demuestran que el sistema tiene una mayor robustez y una amplia generalidad en el análisis de agrupación y la extracción de características.

• Materias:Análisis Matemático Algebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:datos de proceso de formación real, red neuronal difusa, redes neuronales difusas, fnn, proceso, algoritmo apcfm, patrón adaptativo, agrupación de densidad, extracción de características, mapa de características
• Keywords:actual training process data, fuzzy neural network, fuzzy neural networks, fnn, process, apcfm algorithm, adaptive pattern, density clustering, feature extraction, feature map