Quality prediction using functional linear regression with in-situ image and functional sensor data
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
This article studies a general regression model for a scalar quality response with mixed types of process predictors including process images, functional sensing signals, and scalar process setup attributes. To represent a set of time-dependent process images, a third-order tensor is employed for preserving not only the spatial correlation of pixels within one image but also the temporal dependency among a sequence of images. Although there exist some papers dealing with either tensorial or functional regression, there is little research to thoroughly study a regression model consisting of both tensorial and functional predictors. For simplicity, the presented regression model is called functional linear regression with tensorial and functional predictor (FLR-TFP). The advantage of the presented FLR-TFP model, which is compared to the classical stack-up strategy, is that FLR-TFP can handle both tensorial and functional predictors without destroying the data correlation structure. To estimate an FLR-TFP model, this article presents a new alternating Elastic Net (AEN) estimation algorithm, in which the problem is reformed as three sub-problems by iteratively estimating each group of tensorial, functional, and scalar parameters. To execute the proposed AEN algorithm, a systematic approach is developed to effectively determine the initial running sequence among three sub-problems. The performance of the FLR-TFP model is evaluated using simulations and a real-world case study of friction stir blind riveting process.
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 | 0,001 |
| 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