Classification of Profit-Based Operating Regions for the Tennessee Eastman Process using Deep Learning Methods
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 focus of this work is on the classification of an input-design space into different regions of input conditions that result in different corresponding ranges of productivity costs in the Tennessee Eastman Process (TEP). Although similar classification tasks had been previously carried out using linear multivariate statistical data analysis methods, these are of limited efficacy when dealing with highly non-linear dynamics. In this work, we present two Deep Learning Tools for classification: using either supervised learning or un-supervised learning. For classification with supervised learning a Recurrent Neural Network (RNN) known as Long Short-Term Memory (LSTM) is trained on normalized training data. Since deep learning networks generally involve a large number of nodes and parameters an algorithm named Sequential Layer-wise Relevance Propagation (SLRPFP) is proposed for selecting the relevant inputs and for pruning the LSTM network such that the test accuracy at each step is maintained or even improved. For classification with unsupervised learning, main features from the input dataset are first extracted using an Autoencoder. Then a Multi-dimensional Support Vector Machines (MSVM) model is applied to the features identified by the autoencoder. The performance of the proposed supervised and unsupervised deep learning approaches are compared to an approach that combines linear Dynamic Principal Component Analysis (DPCA) and a MSVM based classification and conclusions are drawn on the relative advantages of the deep learning methods.
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 | 0,001 | 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