Metody optymalizacyjne w problemach regresyjnych

• Autorzy: Trzepieciński T.

Warianty tytułu

EN

The optimization methods in regression problems

• Języki publikacji: PL

Abstrakty

PL

Jednym z najważniejszych zadań w problemach regresyjnych jest odpowiedni dobór zestawu zmiennych objaśniających istotnie wpływających na wielkość objaśnianą. Analizie poddano zbiór danych otrzymany w próbie zginania blachy z przeciąganiem składający się z zestawu parametrów technologicznych próby i odpowiadającej im wartości współczynnika tarcia. Optymalizację liczby zmiennych wejściowych dokonano za pomocą metod selekcji krokowej, metodą Hellwiga oraz za pomocą algorytmów genetycznych.

EN

One of the main tasks in regression problems are suitable selection of input variables set essentially influencing on the explained variable. The data set obtained in bending under tension test was put into analysis. The data set was consisted of technical parameters of the test and responding to them friction coefficient value. Optimization of a number of input variables was carried out using step selection, Hellwig's method and genetic algorithm.

Słowa kluczowe

PL

problemy regresyjne; metody optymalizacyjne; zginanie blachy z przeciąganiem; metoda Hellwiga; algorytmy genetyczne

• Wydawca: Wyższa Szkoła Informatyki i Umiejętności
• Czasopismo: Zeszyty Naukowe Wyższej Szkoły Informatyki
• Rocznik: 2012
• Tom: Vol. 11, Nr 1
• Strony: 100--109
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Trzepieciński T.

• Politechnika Rzeszowska, Katedra Przeróbki Plastycznej,

Bibliografia

• [1] Fratini L., Lo Casto S., Lo Valvo E., A technical note on an experimental device to measure friction coefficient in sheet metal forming, Journal of Materials Processing Technology, vol. 172, No 1, pp. 16-21, 2006.
• [2] Vallance D.W., Matlock D.K., Applications of bending-undertension friction test to coated sheet steels, J. Mater. Eng. Perform., vol 1, No 5, pp. 685-693, 1992.
• [3] Nine H.D., Draw bead forces in sheet metal forming, Proceedings of a Symposium on Mechanics of Sheet metal Forming: Behaviour and Deformation Analysis, Warren, Plenum Press, pp. 179-211, 1978.
• [4] Stachowicz F., Trzepieciński T., ANN application for determination of frictional characteristics of brass sheet metal, Journal of Artificial Intelligence, vol. 1, No 2(24), pp. 81-90, 2004.
• [5] Trzepieciński T., Zastosowanie regresji wielokrotnej i sieci neuronowej do modelowania zjawiska tarcia, Zeszyty Naukowe Wyższej Szkoły Informatyki, Vol. 9, No 3, pp. 31-43, 2010.
• [6] Tadeusiewicz R., Sieci neuronowe, Warszawa, WNT, 1998.
• [7] Rawlings J.O., Pantula S.G., Dickey D.A., Applied Regression Analysis: A research tool, Second edition, New York Berlin Heidelberg, Springer-Verlag, 1998.
• [8] Barczak A., Biolik J., Podstawy ekonometrii, Katowice, Wyd. AE, 2003.
• [9] Michalewicz Z., Algorytmy genetyczne + struktury danych =programy ewolucyjne, Warszawa, WNT, 1999.
• [10] Trzepieciński T., Genetic algorithms as an optimization tool of neural networks modelling friction phenomenon, Zeszyty Naukowe Politechniki Rzeszowskiej - Mechanika, nr 4, z. 83, pp. 63-72, 2011.
• [11] Lula P., Tadeusiewicz R., STATISTICA Neural Networks PL, Przewodnik problemowy, Kraków, Statsoft, 2001.