論文の概要: High correlated variables creator machine: Prediction of the compressive
strength of concrete
- arxiv url: http://arxiv.org/abs/2009.06421v1
- Date: Fri, 11 Sep 2020 15:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 21:52:52.888695
- Title: High correlated variables creator machine: Prediction of the compressive
strength of concrete
- Title(参考訳): 高相関変数クリエータマシン:コンクリートの圧縮強度の予測
- Authors: Aydin Shishegaran, Hessam Varaee, Timon Rabczuk, Gholamreza
Shishegaran
- Abstract要約: 超音波パルス速度(UPV)とリバウンド数(RN)を用いてコンクリートの圧縮強度を予測する新しいハイブリッドモデルを提案する。
高相関変数生成機械(HVCM)は、出力との相関性の良い新しい変数を作成し、予測モデルを改善するために用いられる。
その結果, HCVCM-ANFISはコンクリートの圧縮強度を他のどのモデルよりも良く予測できることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a novel hybrid model for predicting the
compressive strength of concrete using ultrasonic pulse velocity (UPV) and
rebound number (RN). First, 516 data from 8 studies of UPV and rebound hammer
(RH) tests was collected. Then, high correlated variables creator machine
(HVCM) is used to create the new variables that have a better correlation with
the output and improve the prediction models. Three single models, including a
step-by-step regression (SBSR), gene expression programming (GEP) and an
adaptive neuro-fuzzy inference system (ANFIS) as well as three hybrid models,
i.e. HCVCM-SBSR, HCVCM-GEP and HCVCM-ANFIS, were employed to predict the
compressive strength of concrete. The statistical parameters and error terms
such as coefficient of determination, root mean square error (RMSE), normalized
mean square error (NMSE), fractional bias, the maximum positive and negative
errors, and mean absolute percentage error (MAPE), were computed to evaluate
and compare the models. The results show that HCVCM-ANFIS can predict the
compressive strength of concrete better than all other models. HCVCM improves
the accuracy of ANFIS by 5% in the coefficient of determination, 10% in RMSE,
3% in NMSE, 20% in MAPE, and 7% in the maximum negative error.
- Abstract(参考訳): 本稿では, 超音波パルス速度 (UPV) とリバウンド数 (RN) を用いてコンクリートの圧縮強度を予測するハイブリッドモデルを提案する。
まず, UPVとリバウンドハンマー(RH)の8つの研究から得られた516のデータを収集した。
そして、出力とより良好な相関を持つ新しい変数を作成し、予測モデルを改善するために、高相関変数作成機(hvcm)が使用される。
コンクリートの圧縮強度を予測するため,ステップバイステップ回帰(SBSR),遺伝子発現プログラミング(GEP),適応型ニューロファジィ推論(ANFIS),HCVCM-SBSR,HCVCM-GEP,HCVCM-ANFISの3つのハイブリッドモデルを用いた。
決定係数,根平均二乗誤差 (RMSE), 正規化平均二乗誤差 (NMSE), 分数偏差, 最大正と負の誤差, 平均絶対パーセンテージ誤差 (MAPE) などの統計的パラメータと誤差項を計算し, モデルの評価と比較を行った。
その結果, HCVCM-ANFISはコンクリートの圧縮強度を他のどのモデルよりも良く予測できることがわかった。
HCVCMは、判定係数の5%、RMSEの10%、NMSEの3%、MAPEの20%、最大負誤差の7%でANFISの精度を向上させる。
関連論文リスト
- Quantifying predictive uncertainty of aphasia severity in stroke
patients with sparse heteroscedastic Bayesian high-dimensional regression [49.504432873468254]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳(メタデータ) (2023-09-15T22:06:29Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - UQ-ARMED: Uncertainty quantification of adversarially-regularized mixed
effects deep learning for clustered non-iid data [0.6719751155411076]
この研究は、モデル適合性、固定効果共分散係数、予測信頼度について、容易に解釈可能な統計メトリクスを作成する能力を示す。
本実験では,UQ法が有益であるだけでなく,いくつかのUQ法が元のARMED法の性能を維持している。
論文 参考訳(メタデータ) (2022-11-29T02:50:48Z) - Compound Density Networks for Risk Prediction using Electronic Health
Records [1.1786249372283562]
複合密度ネットワーク(CDNet)を用いたエンドツーエンド統合手法を提案する。
CDNetは、単一のフレームワーク内で計算方法と予測モデルを調整できるようにする。
我々は,MIMIC-IIIデータセット上での死亡予測タスクにおいてCDNetを検証した。
論文 参考訳(メタデータ) (2022-08-02T09:04:20Z) - BSM loss: A superior way in modeling aleatory uncertainty of
fine_grained classification [0.0]
混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。
実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。
BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
論文 参考訳(メタデータ) (2022-06-09T13:06:51Z) - Targeted-BEHRT: Deep learning for observational causal inference on
longitudinal electronic health records [1.3192560874022086]
RCTが確立したNull causal associationの因果モデリングについて検討した。
本研究では,観測研究用データセットと変換器ベースモデルであるTargeted BEHRTと2倍のロバストな推定手法を開発した。
本モデルでは,高次元EHRにおけるリスク比推定のベンチマークと比較し,RRの精度の高い推定結果が得られた。
論文 参考訳(メタデータ) (2022-02-07T20:05:05Z) - Expected Validation Performance and Estimation of a Random Variable's
Maximum [48.83713377993604]
予測された検証性能に対する3つの統計的推定器を解析する。
偏りのない推定器は最も分散度が高く、最小分散度を持つ推定器は最大のバイアスを持つ。
2つの偏りのある推定器は、最も少ない誤った結論につながる。
論文 参考訳(メタデータ) (2021-10-01T18:48:47Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳(メタデータ) (2021-04-05T00:02:36Z) - On Minimum Word Error Rate Training of the Hybrid Autoregressive
Transducer [40.63693071222628]
ハイブリッド自己回帰変換器(HAT)の最小単語誤り率(MWER)訓練について検討する。
約3万時間のトレーニングデータを用いた実験から,MWERトレーニングがHATモデルの精度を向上させることを示す。
論文 参考訳(メタデータ) (2020-10-23T21:16:30Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。