文献

J-GLOBAL ID：202202245609283539   整理番号：22A1171445

土壌圧縮係数の予測におけるフィードフォワード学習改善のためのクローフロックの社会的行動に基づく新しい探索方式【JST・京大機械翻訳】

A novel search scheme based on the social behavior of crow flock for feed-forward learning improvement in predicting the soil compression coefficient

著者 (5件)： Xu Fang (School of Civil Engineering, Central South University, Changsha, China) ,  Foong Loke Kok (Department for Management of Science and Technology Development, Ton Duc Thang University, Ho Chi Minh City, Vietnam) ,  Foong Loke Kok (Faculty of Civil Engineering, Ton Duc Thang University, Ho Chi Minh City, Vietnam) ,  Lyu Zongjie (Institute of Research and Development, Duy Tan University, Da Nang, Vietnam) ,  Lyu Zongjie (Faculty of Civil Engineering, Duy Tan University, Da Nang, Vietnam)
資料名： Engineering with Computers  (Engineering with Computers)
巻： 38  号： 2  ページ： 1645-1658  発行年： 2022年 
JST資料番号： C0378C  ISSN： 0177-0667  資料種別： 逐次刊行物 (A)
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： 自然にヒントを得た最適化者を用いて達成された最近の改良は,本研究では,新しい型のメタヒューリスティックアルゴリズム,すなわち,クロー探索アルゴリズム(CSA)を採用することを奨励した。CSAを用いて,土壌圧縮係数(SCC)の予測におけるフィードフォワード人工ニューラルネットワーク(ANN)を最適化した。SCCは,その初期予測がプロジェクトの安全性と費用対効果を増加させることができる最も重要な地盤工学的パラメータの1つである。より多くの信頼性のために,使用したデータを実世界プロジェクトから収集した。CSA-ANNハイブリッドを開発した後に,群サイズ,飛行長さ,および認識確率を含むアルゴリズムパラメータのための最も適切な値を,感度解析(それぞれ400,2,および0.1)によって見つけた。典型的なANNとCSA訓練バージョンの結果間の比較は,提案アルゴリズムが,SCCパターン(それぞれ8.25と7.29%)の学習と予測の両方における平均絶対誤差(MAE)を効果的に減少できることを明らかにした。さらに,訓練相で70.64から74.83%,試験段階で73.74から76.19%までの決定係数(R2)の増加は,ANNの強化におけるCSAの効率を証明した。したがって,提案したCSA-ANNは,土木/地球工学プロジェクトにおけるSCCの早期予測のための効率的なモデルとなり得る。Copyright Springer-Verlag London Ltd., part of Springer Nature 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *学習 ,  信頼性 ,  感度解析 ,  ニューラルネットワーク ,  係数 ,  比率 ,  *フィードフォワード ,  発見的方法 ,  土木工学 ,  パラメータ
準シソーラス用語： 費用対効果 ,  探索アルゴリズム ,  地盤工学 ,  ヒューリスティック ,  決定係数 ,  平均絶対誤差 , 【Automatic Indexing@JST】

著者キーワード (4件)： 地盤工学 ,  圧縮係数 ,  神経学習 ,  Crow探索アルゴリズム

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 土壌 ,  圧縮係数 ,  予測 ,  フィードフォワード ,  学習 ,  社会的行動 ,  探索