Resumen

En este trabajo se desarrolla una nueva máquina de aprendizaje extremo optimizada mediante la optimización de enjambre de partículas con comportamiento cuántico (QPSO). Utiliza QPSO para seleccionar los parámetros óptimos de la red, incluyendo el número de neuronas de la capa oculta, de acuerdo con el error cuadrático medio en el conjunto de datos de validación y la norma de los pesos de salida. El Q-ELM propuesto se aplicó a aplicaciones de clasificación del mundo real y a un problema de diagnóstico de un motor de turbina de gas y se comparó con otros dos métodos ELM optimizados y con el método ELM, SVM y BP originales. Los resultados muestran que el Q-ELM propuesto es un método más fiable y adecuado que la red neuronal convencional y otros métodos ELM para el diagnóstico de defectos del motor de turbina de gas.

• Materias:Minería de datos Aerodinámica Cinemática Vehículo espacial Vehículo
• Subjects:Data mining Aerodynamics Kinematics Space vehicles Automobiles
• Palabras claves:máquina de aprendizaje extremo, error cuadrático medio, motor de turbina de gas, red neuronal convencional, neuronas de capa oculta, motor de ventilador de turbina, parámetros óptimos de red, métodos optimizados de olmo, aplicación de clasificación mundial, norma de salida
• Keywords:extreme learning machine, means square error, gas turbine engine, conventional neural network, hidden layer neurons, turbine fan engine, optimal network parameters, optimized elm methods, world classification application, norm of output