Preprocessing danych uczących w neuronowych zagadnieniach regresyjnych

• Autorzy: Kowalik M. , Trzepieciński T.

Warianty tytułu

EN

Preprocessing of training data in neuronal regressive problems

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono metody optymalizacji liczby zmiennych wejściowych sieci neuronowej na podstawie wyników badania tarcia metodą przeciągania pasa blachy ze zginaniem, która służy do modelowania zjawiska tarcia na progu ciągowym podczas wytłaczania blach. Badaniom poddano po trzy gatunki blach mosiężnych, stalowych oraz ze stopu aluminium. Optymalizację liczby zmiennych wejściowych dokonano za pomocą metod selekcji krokowej wstecznej oraz postępującej a także za pomocą algorytmów genetycznych. Na podstawie określonej w każdej z zastosowanych technik optymalizacyjnych liczby zmiennych zbudowano modele regresyjne sieci wielowarstwowej. W zakresie wprowadzanych wartości kary jednostkowej dla każdego z testowanych algorytmów zaobserwowano lokalne minimum wartości błędu sieci dla zbioru uczącego. Wysoką wartość błędu sieci przy dużej liczbie zmiennych można wytłumaczyć szumem wprowadzanym przez zmienne, które mogą być w pewnych zakresach ich wartości ze sobą skorelowane. Wysoka wartość miernika korelacji przy niskiej wartości S. D. Ratio dla zbioru uczącego świadczy o dobrych własnościach aproksymacyjnych zbudowanych sieci neuronowych.

EN

The paper presents a method to optimize the number of input variables of the neural network on the basis of the results of draw bead simulator test. This test is used to model the friction phenomenon on the draw bead in sheet metal forming. The study involved three kinds of brass, steel and aluminum alloy sheets. Optimization of the number of input variables was performed using three methods: backward stepwise selection, forward stepwise selection and genetic algorithms. On the basis of each number of input variables determined using optimization techniques the multilayer regression models of multilayer networks were built. In the range of unit penalty value input for all tested algorithms the local minima of network error for training set were observed. The high network error value including the big number of variables can be explained by noise caused by the variables which can be correlated in the certain ranges of their values. The high value of correlation coefficient at low value of S.D. ratio for training set denote the good approximate properties of built neural networks.

Słowa kluczowe

PL

algorytmy genetyczne; model tarcia; selekcja krokowa; sztuczne sieci neuronowe; tarcie

EN

genetic algorithms; friction model; stepwise selection; artificial neural networks; friction

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2015
• Tom: nr 4
• Strony: 4201--4207, CD2
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Kowalik M.

• Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu, Wydział Mechaniczny; 26-600 Radom; ul. Krasickiego 54

autor

Trzepieciński T.

• Politechnika Rzeszowska im. Ignacego Łukasiewicza, Wydział Budowy Maszyn i Lotnictwa; 35-959 Rzeszów; al. Powstańców Warszawy 8

Bibliografia

• 1. Banabic D., Bunge H.-J., Pohlandt K., Tekkaya A.E., Formability of metallic materials. Springer-Verlag, Berlin Heidelberg New York 2000.
• 2. Barczak A., Biolik J., Podstawy ekonometrii. Wydawnictwo Akademii Ekonomicznej, Katowice 2003.
• 3. Fratini L., Lo Casto S., Lo Valvo E., A technical note on an experimental device to measure friction coefficient in sheet metal forming. Journal of Materials Processing Technology 2006, vol. 172, no. 1.
• 4. Lula P., Wybrane możliwości zastosowań sieci neuronowych i programu Statistica, http://www.statsoft.pl/Czytelnia/Sieci-Neuronowe.
• 5. Lula P., Tadeusiewicz R., Statistica Neural Networks PL, Przewodnik problemowy, Statsoft, Kraków 2001.
• 6. Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne. WNT, Warszawa 1999.
• 7. Nine H. D., Draw bead forces in sheet metal forming, Proceedings of a Symposium on Mechanics of Sheet metal Forming: Behaviour and Deformation Analysis, Plenum Press, Warren 1978.
• 8. Rawlings J. O., Pantula S. G., Dickey D. A., Applied Regression Analysis: A research tool, Second edition. Springer-Verlag, New York Berlin Heidelberg 1998.
• 9. Stachowicz F., Trzepieciński T., ANN application for determination of frictional characteristics of brass sheet metal. Journal of Artificial Intelligence 2004, vol. 1, no 2(24).
• 10. Trzepieciński T., Badanie oporów tarcia oraz anizotropii plastycznej w procesie kształtowania wytłoczek, Praca niepublikowana, Politechnika Rzeszowska, Rzeszów 2006.
• 11. Trzepieciński T., Genetic algorithms as an optimization tool of neural networks modelling friction phenomenon. Zeszyty Naukowe Politechniki Rzeszowskiej – Mechanika 2011, nr 4, z. 83.
• 12. Trzepieciński T., Zastosowanie regresji wielokrotnej i sieci neuronowej do modelowania zjawiska tarcia. Zeszyty Naukowe Wyższej Szkoły Informatyki w Łodzi 2010, tom 9, nr 3.
• 13. Vallance D. W., Matlock D. K., Applications of bending-under-tension friction test to coated sheet steels. Journal of Material Engineering Performance 1992, vol. 1, no 5.