具有增强梯度与加权估计的极简回归网络：以自动焊接参数估计为例
机器学习
2016-07-06 v1 机器人学
摘要
本文提出一种极简神经回归网络，其由同时训练的独立相同回归块聚合而成。此外，它引入了一个新的乘性参数，由给定层的所有神经单元共享，以维持其梯度的质量。进而，它通过学习一个权重因子来提高估计精度，该因子的数值在每个训练迭代中捕捉估计值与实际值之间的冗余。我们选择不同焊接技术的直接焊接参数估计，以展示我们的模型在计算这些参数时相对于文献中现有最优(state-of-the-art)技术的显著改进。此外，我们证明了我们的模型在输入不同焊接技术的组合数据时仍能保持其性能。这是在获得可扩展模型方面的非平凡结果，其估计质量独立于所采用的焊接技术。
引用
@article{arxiv.1607.01136,
title = {Minimalist Regression Network with Reinforced Gradients and Weighted Estimates: a Case Study on Parameters Estimation in Automated Welding},
author = {Soheil Keshmiri},
journal= {arXiv preprint arXiv:1607.01136},
year = {2016}
}