A Moving Least Squares Methodology for Dynamic Systems with Parameter and Excitation Inputs
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
Meta-models have a valuable place in the efficient design and optimization of many probabilistic engineering systems wherein numerous iterations are required. Meta-models are simple to form, typically much faster, and usually as accurate as the original mechanistic model. The least squares (LS) approach is one of the oldest means of forming meta-models. Further, a modification of the original model, called the moving least squares (MLS) method, permits a larger design space, needs fewer training sets, and usually produces a more accurate model since it uses only the data local to the query point. Herein, we expand the one- or two-parameter MLS method to accommodate systems with both multiple parameters, multiple excitations and multiple responses. The novelty of this paper is the simple and effective distance measure proposed to select the training sets nearest to the query set. Herein, the training sets comprise a mixture of time-dependent excitations and scalar component parameters. The excitations in the training sets are compared to the query set using standard performance indexes. These excitations and the component parameters typically have different magnitudes and units, and scaling to a common range is necessary. Finally, the individual measures are combined into a single system distance metric for each training set via an unbiased 2-Norm computation. Only the training sets within a critical distance are retained for the reduced meta-model. The impact of the work herein is the considerable reduction in the standard number of training sets needed to build the meta-model, while at the same time, maintaining a broad design space and acceptable accuracy. Examples with dynamic systems show the accuracy and efficiency of the novel MLS 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.
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 | 0,002 | 0,001 |
| 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