文献

J-GLOBAL ID：201702267410234847   整理番号：17A0145925

マルチカーネル関連ベクトルマシンとBayesモデル平均化に基づいた核融合予後アプローチ【Powered by NICT】

A fusion prognostic approach based on multi-kernel relevance vector machine and Bayesian model averaging

著者 (4件)： Liu Yuefeng (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Zhao Guangquan (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Peng Xiyuan (Department of Automatic Test and Control, Harbin Institute of Technology, Harbin, China) ,  Liu Yuefeng (School of Information Engineering, Inner Mongolia University of Science & Technology, Baotou, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： PHM (Chengdu)  ページ： 1-6  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多重モデルアンサンブルとの融合アプローチは予測とヘルス管理(PHM)の単一モデルを用いた簡単な手法よりも優れた性能を示すことができる。Bayesianモデル平均化(BMA)は,不確実性定量化の能力のために,これらの融合アプローチに非常に有用であるアンサンブル方法である。BMAと関連ベクトルマシン(RVM)に基づいた融合モデルを本論文で提示した。八つの異なるカーネル関数を用いたマルチRVMモデルは,訓練データの分解のために構築した。,BMAは予後の信頼性のための一フレームワークにこれらのRVMサブモデルを統合した。この方法の主な利点は:1)耐用年数(RUL)推定法を残りの既存の核融合の不確実性管理の欠如を解決し,2)BMAに基づくアンサンブル多複雑な非線形サブモデルによる予測性能を改善するが,BMA応用の大部分は低い予測精度におけるいくつかの簡単な線形サブモデル結果を統合した。最後に,低多段階前方オフラインモデル予測精度のための,オンライン反復訓練戦略は高い予測性能を実現するBMAアルゴリズムを導入した。実験と米国航空宇宙局(NASA)から電池データセットによる結果は有効性と提案アンサンブルの予知手法の信頼性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 不確実性 ,  信頼性 ,  米国航空宇宙局 ,  耐用年数 ,  *核融合 ,  線形性
準シソーラス用語： 予測精度 ,  予測性能 ,  推定法 ,  訓練データ ,  Kernel関数 ,  アンサンブル法 ,  多重モデル ,  *Bayes法 ,  *関連ベクトルマシン , 【Automatic Indexing@JST】

分類 (9件)： その他の情報処理  (JE15050M) ,  数値計算  (JE02000J) ,  ポリオレフィン  (YH07090L) ,  分析機器  (CC02020S) ,  人工知能  (JE08000Z) ,  気候学,気候変動  (DC05140T) ,  医用画像処理  (JE04020T) ,  電力工学・電力事業一般  (NB01000X) ,  計算機網  (JC03000K)

タイトルに関連する用語 (7件)： マルチ ,  カーネル ,  関連ベクトルマシン ,  Bayesモデル ,  平均 ,  核融合 ,  予後