文献

J-GLOBAL ID：201902263008218911   整理番号：19A2424453

高次元および小サンプルデータに基づく鋼組成モデルの確立法に関する研究【JST・京大機械翻訳】

Research on Establishment Method of Steel Composition Model Based on High Dimension and Small Sample Data

著者 (4件)： Wei Xin (School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing, China) ,  Fu Dongmei (School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing, China) ,  Chen Mindong (SINOPEC Research Institute of Safety Engineering, Qingdao, China) ,  Yao Qiong (Key Laboratory of Space Launching Site Reliability Technology, Xichang Satellite Launch Center, Haikou, China)
資料名： Lecture Notes in Electrical Engineering  (Lecture Notes in Electrical Engineering)
巻： 592  ページ： 566-573  発行年： 2020年 
JST資料番号： W5070A  ISSN： 1876-1100  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文は,海洋環境における鋼の腐食電位とその成分含有量の間の関係のモデルを確立することによって,鋼の腐食電位を予測することを期待した。しかしながら,本論文における実験サンプルの数は非常に小さく,14だけであるが,実験サンプルは高い特徴次元,22次元を有する。最初に,海水環境の因子レベルを増加させることによって,実験サンプルを直交実験法によって拡大して,次に,サンプルの次元を局所性保存投影を用いることによって減少して,それはデータの高次元小サンプルの問題を改良した。最終的に,極値学習機械アルゴリズムと粒子スウォーム極値学習機械最適化アルゴリズムを,それぞれモデルを構築するために使用する。結果は,PSO-ELMモデルの予測精度がELMモデルのものより良いことを示した。Copyright 2020 Springer Nature Singapore Pte Ltd. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 直交性 ,  学習機械 ,  *高次元 ,  海水 ,  アルゴリズム ,  腐食電位 ,  海洋環境 ,  *鋼 ,  局所性
準シソーラス用語： 予測精度 ,  最適アルゴリズム ,  粒子スウォーム , 【Automatic Indexing@JST】

著者キーワード (4件)： 小サンプル ,  次元縮小 ,  極端学習機械 ,  粒子群最適化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 高次元 ,  サンプルデータ ,  鋼組成 ,  モデル ,  研究