基于优化极限学习机的人造板厚度在线检测

为提高人造板厚度检测精度,提出一种基于改进哈里斯鹰优化(Harris Hawk Optimization,HHO)算法提升极限学习机(Extreme Learning Machine,ELM)的人造板厚度检测方法。通过对HHO算法进行改进,并利用优化后的算法对ELM的权值和偏置值等参数进行选择,在提升算法性能的基础上保留其寻优机制。同时,在初始种群位置中引入Tent映射反向学习,减少了不必要的全局搜索,在不影响种群多样性的条件下提高算法的收敛速度。最后以中密度纤维板(Medium Density Fiberboard,MDF)为例进行在线检测实验,得到实验数据并进行对比分析。实验结果显示,所提方法能够有效地减少测量误差,提高测量精度,具有一定的实际应用价值。

基于优化相关向量机的人造板厚度在线检测

针对人造板厚度检测系统检测精度不高的问题,提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化相关向量机(Relevance Vector Machine,RVM)的人造板厚度检测方法,以提高人造板厚度检测系统的检测精度。从两个角度对传统麻雀搜索算法进行改进:首先在初始种群位置中引入精英混沌反向学习机制,使算法的初始种群分布更加合理,提高了初始解的质量;然后通过引入一种变尺度混沌变异算子,对停滞的全局最优解进行变异,以增强算法的抗停滞的能力,在此基础上通过改进后的算法优化相关向量机的核函数参数,最后以中密度纤维板(Medium Density Fiberboard,MDF)为例开展了在线检测试验,获取试验数据并进行对比分析。结果表明:所提方法能够有效减少检测误差,提高测量精度。