Neural Network: A Potential Approach for Error Reduction in Color Values of Polycarbonate
Notice bibliographique
Résumé
ABSTRACT In current exploration, the artificial neural network (ANN) is executed to reduce the errors in color values of polycarbonate. The network consists of sigmoid hidden units and a linear output unit arranged in a feed forward backpropagation architecture. An optimal design is accomplished for 10, 12, 14, 16, 18, and 20 hidden neurons on a hidden layer with five different algorithms involving batch gradient descent, batch variable learning rate, resilient back propagation, scaled conjugate gradient, and Levenberg–Marquardt. The training data for ANN are obtained from experimental measurements. There were 22 inputs and three tristimulus color values L*, a*, and b* were used as an output layer. Statistical analysis in terms of root‐mean‐squared, an absolute fraction of variance (R2), as well as a mean square error is used to investigate the performance of ANN. The best result in terms of statistics is presented by the LM algorithm with 14 neurons in the designed ANN model. The degree of accuracy of the ANN model in reduction of errors is proven acceptable in all statistical analysis and shown in results. However, it was concluded that ANN provides a possible method in error reduction in specific color tristimulus values. © 2013 Wiley Periodicals, Inc. Adv Polym Technol 2014, 33, 21402; View this article online at wileyonlinelibrary.com . DOI 10.1002/adv.21402
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».