MétaCan
Menu
Retour à la cohorte
Enregistrement W4401551138 · doi:10.1002/asmb.2886

An EM‐based likelihood inference for degradation data analysis using gamma process

2024· article· en· W4401551138 sur OpenAlexaff
Lochana K. Palayangoda, N. Balakrishnan

Notice bibliographique

RevueApplied Stochastic Models in Business and Industry · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueReliability and Maintenance Optimization
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésGamma processInferenceComputer scienceProcess (computing)Degradation (telecommunications)EconometricsStatisticsArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract The gamma process is widely used for the lifetime estimation of highly reliable products that degrade over time. Typically, incomplete likelihood is used to estimate the model parameters and the reliability estimates for the first passage time distribution of the gamma process; however, it (i.e., pseudo method) does not consider interval censoring and right censoring information of the degradation data. In this work, the expectation‐maximization algorithm‐based method (EM method) is developed for the estimation of the gamma process model parameters and the reliability estimates incorporating interval censoring and right censoring. The asymptotic variance–covariance matrix and the asymptotic confidence intervals for the parameters are constructed, and then a comparison between the pseudo method and the EM method is made. Monte Carlo simulation studies and real‐life data applications are conducted in order to illustrate the performance of the proposed EM method over the pseudo method.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,829
Score d'incertitude au seuil0,654

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,295
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Stochastic Models in Business and IndustryMême sujetReliability and Maintenance OptimizationTravaux en français237 207