MétaCan
Menu
Retour à la cohorte
Enregistrement W1932803353 · doi:10.1109/ssst.2003.1194591

Adaptive fuzzy associative memory for online quality control

2003· article· en· W1932803353 sur OpenAlexaff
Shahed Shahir, Xiang Chen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Applications
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésLearning vector quantizationComputer scienceFuzzy logicArtificial intelligenceAssociative propertyQuantization (signal processing)Content-addressable memoryProcess (computing)Quality (philosophy)Vector quantizationComponent (thermodynamics)Fuzzy control systemComputer visionPattern recognition (psychology)Machine learningArtificial neural networkMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, an online quality inspection is presented based on the adaptive fuzzy associative memory (AFAM) theory. The AFAM along with vision technology enables us to inspect the quality of each component online. Throughout the process, four different types of classification exist, namely, desired, stretched, squeezed and deformed foam barrier. The learning vector quantization (LVQ) is applied to train the system based on the defined clusters according to the trainees. After ending a course of training, a bank of fuzzy associative memory (BFAM) is constructed. To perform online quality inspection, the composition applies to the input fuzzy vector and BFAM.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,856
Score d'incertitude au seuil0,250

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,049
Tête enseignante GPT0,318
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNeural Networks and ApplicationsTravaux en français237 207