Radial basis functions with a priori bias as surrogate models: A comparative study

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:DiVA.org:his-14999" > Radial basis functi...

1 av 1
Föregående post
Nästa post
Till träfflistan

Amouzgar, Kaveh,1980-Högskolan i Skövde,Institutionen för ingenjörsvetenskap,Forskningscentrum för Virtuella system,Materialmekanik, Mechanics of Materials (författare)

Radial basis functions with a priori bias as surrogate models : A comparative study

Artikel/kapitelEngelska2018

Förlag, utgivningsår, omfång ...

Elsevier,2018
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:his-14999
https://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-14999URI
https://doi.org/10.1016/j.engappai.2018.02.006DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

©2018 Elsevier Ltd. All rights reserved.
Radial basis functions are augmented with a posteriori bias in order to perform robustly when used as metamodels. Recently, it has been proposed that the bias can simply be set a priori by using the normal equation, i.e., the bias becomes the corresponding regression model. In this study, we demonstrate the performance of the suggested approach (RBFpri) with four other well-known metamodeling methods; Kriging, support vector regression, neural network and multivariate adaptive regression. The performance of the five methods is investigated by a comparative study, using 19 mathematical test functions, with five different degrees of dimensionality and sampling size for each function. The performance is evaluated by root mean squared error representing the accuracy, rank error representing the suitability of metamodels when coupled with evolutionary optimization algorithms, training time representing the efficiency and variation of root mean squared error representing the robustness. Furthermore, a rigorous statistical analysis of performance metrics is performed. The results show that the proposed radial basis function with a priori bias achieved the best performance in most of the experiments in terms of all three metrics. When considering the statistical analysis results, the proposed approach again behaved the best, while Kriging was relatively as accurate and support vector regression was almost as fast as RBFpri. The proposed RBF is proven to be the most suitable method in predicting the ranking among pairs of solutions utilized in evolutionary algorithms. Finally, the comparison study is carried out on a real-world engineering optimization problem.

Ämnesord och genrebeteckningar

TEKNIK OCH TEKNOLOGIER Maskinteknik hsv//swe
ENGINEERING AND TECHNOLOGY Mechanical Engineering hsv//eng
Kriging
Metamodeling
Multivariate adaptive regression splines
Neural networks
Radial basis function
Support vector regression
Surrogate models
Errors
Evolutionary algorithms
Functions
Heat conduction
Image segmentation
Interpolation
Mean square error
Optimization
Regression analysis
Statistical methods
Radial basis functions
Support vector regression (SVR)
Surrogate model
Radial basis function networks
Mechanics of Materials
Materialmekanik
Production and Automation Engineering
Produktion och automatiseringsteknik

Biuppslag (personer, institutioner, konferenser, titlar ...)

Bandaru, Sunith,1984-Högskolan i Skövde,Institutionen för ingenjörsvetenskap,Forskningscentrum för Virtuella system,Produktion och automatiseringsteknik, Production and Automation Engineering(Swepub:his)bans (författare)
Ng, Amos H. C.,1970-Högskolan i Skövde,Institutionen för ingenjörsvetenskap,Forskningscentrum för Virtuella system,Produktion och automatiseringsteknik, Production and Automation Engineering(Swepub:his)ngam (författare)
Högskolan i SkövdeInstitutionen för ingenjörsvetenskap (creator_code:org_t)

Sammanhörande titlar

Ingår i:Engineering applications of artificial intelligence: Elsevier71, s. 28-440952-19761873-6769

Internetlänk

Hitta via bibliotek

Engineering applications of artificial intelligence (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Amouzgar, Kaveh, ...; Bandaru, Sunith, ...; Ng, Amos H. C., ...

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Maskinteknik

Artiklar i publikationen: Engineering appl ...

Av lärosätet: Högskolan i Skövde

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se