A bootstrap method for structure detection of NARMAX models
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
Abstract Many systems may be described by NARMAX models using only a few terms. However, depending on the order of the system the number of candidate terms can become very large. Selection of a subset of these candidate terms is necessary for an efficient system description. This is an unresolved issue in system identification for over-parameterized models. Therefore, in this paper, we develop a bootstrap structure detection (BSD) algorithm as a means of determining the structure of highly over-parameterized models. The performance of this BSD technique was evaluated by using it to estimate the structure of a (1) simple NARMAX model, (2) moderately over-parameterized NARMAX model and (3) highly over-parameterized NARMAX model. The results demonstrate that the BSD algorithm is a robust method for detecting the structure of NARMAX models. This method provides accurate estimates of parameter statistics without relying on assumptions made by traditional procedures and yields a parsimonious description of the system. Acknowledgments Supported by grants from the Natural Sciences Engineering Research Council of Canada, the Canadian Institutes of Health Research and the Max Stern Fellowship of McGill University. The authors would like to dedicate this work in loving memory of Margherita B. Rapagna (25 August, 1968–20 May, 2002). Notes ‡ Present address: McConnell Brain Imaging Center, Montréal Neurological Institute, 3801 University Street, Montréal, Québec H3A 2B4, Canada. Additional informationNotes on contributorsRobert E. Kearney ‡ Present address: McConnell Brain Imaging Center, Montréal Neurological Institute, 3801 University Street, Montréal, Québec H3A 2B4, Canada.
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 | 0,000 | 0,000 |
| 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