动态自适应增强神经网络

通过动态自适应遗传算法优化内层参数，并利用Adam优化输出梯度，在激光切割与焊接的异构稀疏数据上实现并行预测精度与稳定性的提升。

刘超 · Juanjuan, Zheng · 刘三阳 · Huang, Shaofu · 何彦 · 庹军波

Advanced Engineering Informatics 2024

技术优势

过拟合风险降低

在样本中注入输出噪声来增强稀疏数据，使训练模型更接近理想预测模型，从而缓解过拟合。

收敛速度加快

利用Adam优化输出参数梯度，作为ANN的强化，加速了收敛速度。

异构数据适用

该方法在激光切割和激光焊接两个具有不同形式稀疏数据的案例中均有效可行。

应用场景

• 激光制造质量控制：同时预测多个质量特征，替代逐个检测，实时评估切割和焊接质量。
• 精密加工监测：利用异构稀疏数据训练，监测微细加工中难以直接测量的特征。
• 工业过程参数优化：作为代理模型快速预测不同参数下的结果，加速寻优过程。
• 光学加工智能预测：适用于光学元件加工中数据稀疏场景，减少实验试错次数。