Kernel extreme learning machine‐based general solution to forward kinematics of parallel robots
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The forward kinematics of parallel robots is a challenging issue due to its highly coupled non‐linear relation among branch chains. This paper presents a novel approach to forward kinematics of parallel robots based on kernel extreme learning machine (KELM). To tackle with the forward kinematics solution of fully parallel robots, the forward kinematics solution of parallel robots is equivalently transformed into a machine learning model first. On this basis, a computational model combining sparrow search algorithm and KELM is then established, which can serve as both regression and classification. Based on SSA‐optimised KELM (SSA‐KELM) established in this study, a binary discriminator for judging the existence of the forward kinematics solution and a multi‐label regression model for predicting the forward kinematics solution are built to obtain the forward kinematics general solution of parallel robots with different structural configurations and parameters. To evaluate the proposed model, a numerical case on this dataset collected by the inverse kinematics model of a typical 6‐DOF parallel robot is conducted, followed by the results manifesting that the binary discriminator with the discriminant accuracy of 88.50% is superior over ELM, KELM, support vector machine and logistic regression. The multi‐label regression model, with the root mean squared error of 0.06 mm for the position and 0.15° for the orientation, outperforms the double‐hidden‐layer back propagation (2‐BP), ELM, KELM and genetic algorithm‐optimised KELM. Furthermore, numerical cases of parallel robots with different structural configurations and parameters are compared with state‐of‐the‐art models. Moreover, these results of numerical simulation and experiment on the host computer demonstrate that the proposed model displays its high precision, high robustness and rapid convergence, which provides a candidate for the forward kinematics of parallel robots.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle