卡泽姆·阿德瓦尔·奥索拉勒 使用支持向量回归模型对单摆计算机实验进行建模和分析。 （英文） Zbl 1454.62233号 泰尔。斯达。 18，第4期，381-391（2020）. 小结：在许多实际情况下，我们知道所分析系统的动力学。基于这种已知的动力学，我们可以建立一个基于计算机的模型来模拟系统的行为。原则上，可以直接使用该模型来预测系统的行为，但在许多情况下，该模型的计算非常复杂，直接使用它将需要在高性能计算机上花费大量的计算时间。大幅减少预测系统行为所需的计算时间的一种自然方法是使用机器学习提出一个更简单、更快速的计算模型。为了训练相应的机器学习算法，我们可以使用将现有（复杂）基于计算机的模型应用于不同输入的结果，并且可以通过适当的实验设计技术选择这些输入。在本文中，我们以一个简单的钟摆为例说明了这种方法；作为机器学习技术，我们使用支持向量机方法。结果表明，该方法确实大大减少了计算时间，并且仍然提供了相当准确的结果。 MSC公司： 62K10型 统计块设计 62J12型 广义线性模型（逻辑模型） 05B15号 正交数组、拉丁方块、房间方块 68T05型 人工智能中的学习和自适应系统 关键词：计算时间;高斯径向基函数;机器学习;基于正交阵列的拉丁超立方体设计;单摆模型 软件：Matlab公司 PDF格式BibTeX公司 XML格式引用 \textit{K.A.Osuolale}，泰国。Stat.18，No.4，381--391（2020；Zbl 1454.62233） 全文： 链接 参考文献： [1] Cortes C，Vapnik V.支持向量网络。马赫学习。1995; 20: 273-297. ·兹比尔08316.8098 [2] Dyn N，Levin D，Rippa S.通过径向基函数对散乱数据进行曲面拟合的数值程序。SIAM科学计算杂志。1986年；7: 639-659. ·Zbl 0631.65008号 [3] Fang H，Horstemeyer MF。径向基函数的全局响应近似。工程优化。2006; 38: 407-424. [4] 弗里德曼·JH。多元自适应回归样条。Ann Stat.1991年；19:1-67·Zbl 0765.62064号 [5] 用于分类和回归的支持向量机。技术报告。1998; 南安普顿大学。 [6] MATLAB基础。Matlab/Simulink教程。泰恩河畔纽卡斯尔大学电气、电子和计算机工程学院；2003 [7] 蒙哥马利特区。实验设计与分析。纽约：约翰·威利；2001 [8] 迈尔斯RH，蒙哥马利DC。响应面方法：使用设计的实验优化工艺和产品。纽约：约翰·威利；1995. ·Zbl 1161.62392号 [9] Osuna E.，Freund R，Girosi，F.支持向量机的改进训练算法：用于信号处理的神经网络。IEEE研讨会会议记录。纽约，1997年；276-285. [10] Osuolale KA、Yahya WB、Adeleke BL。执行简单的摆实验，作为计算机实验的演示示例。计算机科学年鉴。2014年a；12: 33-38. [11] Osuolale KA，Yahya WB，阿德莱克BL。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。