Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Fibres & Textiles in Eastern Europe

1 2013

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: maszyny wektorów nośnych dla regresji

Sortuj według:

Ogranicz wyniki do:

Application of Genetic Algorithm for Feature Selection in Optimisation of SVMR Model for Prediction of Yarn Tenacity

Abakar K. A. A., Yu C.

Fibres & Textiles in Eastern Europe

2013

Vol. 21, no. 6 (102)

95--99

A proposed hybrid genetic algorithm (GA) approach for feature selection combined with support vector machines for regression (SVMR) was applied in this paper to optimise a data set of fibre properties and predict the yarn tenacity property. This hybrid approach was compared with a noisy model of SVMR that used all the data set of fibre properties as input in the prediction. The GA for feature selection was used as the preprocessing stage that aimed to find and select the best attributes or variables that most effect or are related to the prediction of yarn tenacity. The hybrid approach showed better predictive performance than the noisy model. However, the results indicated the suitability of GA for feature selection in the choice of the best fibre property attributes that give the preferred performance and high accuracy in the prediction of yarn tenacity.

Zaproponowany system hybrydowy łączący algorytmy genetyczne z klasyfikatorem w postaci maszyny wektorów nośnych dla regresji (SVMR) został zastosowany dla zoptymalizowania zestawu danych obejmującego właściwości fizyczne włókien dla prognozowania właściwości wytrzymałościowych przędzy. W tym hybrydowym rozwiązaniu porównano zaproponowany model SVMR z modelem „zaszumionym”, w którym użyto pełny zestaw danych właściwości fizycznych włókien jako danych wejściowych w prognozowaniu. Algorytmy genetyczne w selekcji cech zostały użyte na etapie wstępnego przetwarzania, którego celem było znalezienie i wybranie najlepszych zmiennych, które najefektywniej są powiązane z przewidywaniem wytrzymałości przędzy. Hybrydowe rozwiązanie wykazało lepsze efekty przewidywania wytrzymałości przędzy w porównaniu z modelem „zaszumionym”. Jednakże wyniki badań wykazały, że do realizacji zadania polegającego na wyborze cech z selekcji najkorzystniejszych właściwości włókien bardzo przydatne są również algorytmy genetyczne, które umożliwiają uzyskanie wysokiej dokładności prognozowania wytrzymałości przędzy.