Ensemble of Surrogates for Dual Response Surface Modeling in Robust Parameter Design
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
The robust parameter design of industrial processes and products on the basis of the concept of building quality into a design has attracted much attention from researchers and practitioners for many years, and several methods have been studied in the research community. Dual response surface methodology is one of the most commonly used approaches for simultaneously optimizing the mean and the variance of response in quality engineering. Nevertheless, when the relationship between influential input factors and output quality characteristics of a process is very complex (e.g. highly nonlinear and noisy), traditional approaches have their limitations. In this article, we introduced support vector regression, kriging model, and radial basis function, which are commonly used in computer experiments, into robust parameter design, and especially introduced a new strategy that builds the dual response surface using the ensemble of surrogates, which can provide a more robust approximation model. We demonstrated the advantages of kriging, support vector regression, radial basis function, and the ensemble of surrogates by reinvestigating the dual response approach on the basis of parametric, nonparametric, and semiparametric approaches, and a simulation experiment is studied. The results show that our presented models can achieve more desirable results than parametric, nonparametric, and semiparametric approaches in terms of fitting and predictive accuracy, and the optimal operating conditions recommended by our presented models are similar to those recommended in literature, which indicates the validation of our presented models. Copyright © 2012 John Wiley & Sons, Ltd.
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 | 0,021 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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