کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6856444 1437957 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A robust model structure selection method for small sample size and multiple datasets problems
ترجمه فارسی عنوان
روش انتخاب یک ساختار قوی برای اندازه نمونه کوچک و مشکلات مجموعه داده های چندگانه
کلمات کلیدی
سیستم های غیر خطی، شناسایی سیستم، عدم قطعیت مدل، تشخیص ساختار مدل،
ترجمه چکیده
در شناسایی مدل، وجود عدم قطعیت به طور معمول اثر منفی بر دقت و عملکرد مدل های شناسایی، به ویژه هنگامی که اندازه داده ها استفاده می شود نسبتا کوچک است. با یک مجموعه داده کوچک، برآورد حداقل مربعات، بی طرف هستند، مدل های حاصل ممکن است برای تجزیه و تحلیل بیشتر و استفاده در آینده قابل اعتماد باشند. این مطالعه یک روش انتخاب جدید ساختار مدل را برای شناسایی مدل معرفی می کند. روش پیشنهادی می تواند بی ثباتی ساختار مدل را به طور موفقیت آمیز کاهش دهد و بنابراین عملکرد مدل ها را بهبود می بخشد. مطالعات موردی در مورد داده های شبیه سازی و داده های واقعی ارائه شده است تا نشان دهند که چگونه معیار پیشنهاد شده برای شناسایی مدل قوی کار می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
In model identification, the existence of uncertainty normally generates negative impact on the accuracy and performance of the identified models, especially when the size of data used is rather small. With a small data set, least squares estimates are biased, the resulting models may not be reliable for further analysis and future use. This study introduces a novel robust model structure selection method for model identification. The proposed method can successfully reduce the model structure uncertainty and therefore improve the model performances. Case studies on simulation data and real data are presented to illustrate how the proposed metric works for robust model identification.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 451–452, July 2018, Pages 195-209
نویسندگان
, ,