کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947434 1439581 2017 42 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Improving the prediction of material properties of concrete using Kaizen Programming with Simulated Annealing
ترجمه فارسی عنوان
بهبود پیش بینی خواص مواد بتن با استفاده از برنامه ریزی کایزن با انجماد شبیه سازی شده
کلمات کلیدی
مهندسی امکانات خودکار، برنامه ریزی کایزن، رگرسیون خطی، بتن با عملکرد بالا،
ترجمه چکیده
پیش بینی خواص مواد مانند بتن، با توجه به تعاملات پیچیده میان اجزای آن، دشوار است. در طول سالها، محققان از آمار، یادگیری ماشین، و محاسبات تکاملی برای ساخت مدل ها در تلاش برای دقت پیش بینی چنین خواص استفاده کرده اند. مدل های با کیفیت بالا غالبا غیر خطی هستند و توجیه کننده ی مطالعه ابزارهای رگرسیون غیر خطی می باشند. در این مقاله، روش رگرسیون خطی سنتی با استفاده از مربع معمولی معمولی برای حل وظیفه استفاده می شود. با این حال، مدل بر اساس ویژگی های غیر خطی ساخته شده به طور خودکار توسط برنامه کایزن، یک روش ترکیبی اخیرا پیشنهاد شده ساخته شده است. نتایج تجربی نشان می دهد که برنامه ریزی کایزن می تواند ویژگی های کم همبسته در یک زمان محاسباتی قابل قبول را پیدا کند. چنین ویژگی هایی مدل های با کیفیت بالا را با کیفیت پیش بینی بهتر ارائه می دهند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بهبود پیش بینی خواص مواد بتن با استفاده از برنامه ریزی کایزن با انجماد شبیه سازی شده
چکیده انگلیسی
Predicting the properties of materials like concrete has been proven a difficult task given the complex interactions among its components. Over the years, researchers have used Statistics, Machine Learning, and Evolutionary Computation to build models in an attempt to accurately predict such properties. High-quality models are often non-linear, justifying the study of nonlinear regression tools. In this paper, we employ a traditional multiple linear regression method by ordinary least squares to solve the task. However, the model is built upon nonlinear features automatically engineered by Kaizen Programming, a recently proposed hybrid method. Experimental results show that Kaizen Programming can find low-correlated features in an acceptable computational time. Such features build high-quality models with better predictive quality than results reported in the literature.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 246, 12 July 2017, Pages 25-44
نویسندگان
, ,