文献

J-GLOBAL ID：201702212746418401   整理番号：17A0381087

ディーゼルエンジンシステムの信頼性を予測するための適応サポートベクトル回帰モデルを最適化するための遺伝的アルゴリズム【Powered by NICT】

A genetic algorithm to optimize the adaptive Support Vector Regression model for forecasting the reliability of diesel engine systems

著者 (3件)： Chato Lina (Dept. of Electrical and Computer Engineering/ UNLV, Las Vegas, Nevada, USA) ,  Tayeb Shahab (Dept. of Electrical and Computer Engineering/ UNLV, Las Vegas, Nevada, USA) ,  Latifi Shahram (Dept. of Electrical and Computer Engineering/ UNLV, Las Vegas, Nevada, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CCWC  ページ： 1-7  発行年： 2017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： 本論文では,システムの信頼性を予測するためのサポートベクトル回帰(SVR)技術の使用を提案した。システム信頼性の将来予測値はSVRパラメータの選択とカーネルSVR関数のタイプに非常に敏感である。ターボ過給ディーゼルエンジンシステムのデータセットを事例研究として用いた。Normalize根平均二乗誤差(NRMSE)システムの信頼性予測におけるSVRモデルを評価した。最適SVRパラメータと適切なカーネル関数を用いて行った多くの実験的試み。結果は,多項式カーネルの5次は最小NRMSE将来信頼性値の予測におけるガウスおよび線形カーネル関数より優れていることを示した。実験的に,SVRのための適切なパラメータを選択する硬過程であり,良好なパラメータと最良のカーネル関数が使用されていることを保証しない。,人工知能を用いる必要がある。遺伝的アルゴリズム(GA)は,AI探索最適化法として用いGA-SVRモデルを生成することによりSVRパラメータとカーネル関数の型の両方を最適化した。GAを成功裏に正確な予測を確実にするためにSVRモデルを最適化した。適応GASVRモデルは,データセットのサイズが小さいこと,システム構成要素の寿命,及び外部環境原因のための奇数挙動などの問題を克服するために使用した。結果は,システムの信頼性を正確に予測し,小さなデータセットでも適応モデルの有効性を確認した。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： 奇数 ,  *遺伝的アルゴリズム ,  人工知能 ,  *信頼性 ,  システム信頼度 ,  線形性 ,  *最適化 ,  事例研究
準シソーラス用語： 外部環境 ,  システム構成 ,  Kernel関数 ,  信頼性予測 ,  平均二乗誤差 ,  ターボ過給 ,  *サポートベクトル回帰 , 【Automatic Indexing@JST】

分類 (1件)： 信頼性  (KB04040H)

タイトルに関連する用語 (7件)： ディーゼルエンジン ,  予測 ,  適応 ,  サポートベクトル回帰 ,  モデル ,  最適化 ,  遺伝的アルゴリズム