Kriging代理模型下基于垂距的多点取样算法

代理模型由于可以有效地缩减学科分析时间，被广泛应用于优化领域。而构建高精度代理模型则取决于样本点在设计空间中的分布。为了建立拟合效率高的近似模型，在已有Kriging代理模型基础上，提出一种基于垂距和最大化点均方差取样（Integrated mean square error, IMSE）的多点取样算法，以保证预测精度的同时减少样本数量。该方法将垂距作为判定设计变量取值的标准，进行数据点的初步筛选。选取高斯函数作为设计点之间的相关函数，并且在边缘附近进一步修正。针对实际算例，将该取样算法与多点加点准则比较，结果表明使用的方法在保证全局精度的基础上，采用较少的采样点构建代理模型，具有较高的局部近...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	机械工程学报 2015, Vol.51 (9), p.153-158
1. Verfasser:	陈霞李磊岳珠峰仝福娟刘博
Format:	Artikel
Sprache:	chi
Schlagworte:	Kriging模型取样算法垂距最大化均方差相关函数
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

container_end_page	158
container_issue	9
container_start_page	153
container_title	机械工程学报
container_volume	51
creator	陈霞李磊岳珠峰仝福娟刘博
description	代理模型由于可以有效地缩减学科分析时间，被广泛应用于优化领域。而构建高精度代理模型则取决于样本点在设计空间中的分布。为了建立拟合效率高的近似模型，在已有Kriging代理模型基础上，提出一种基于垂距和最大化点均方差取样（Integrated mean square error, IMSE）的多点取样算法，以保证预测精度的同时减少样本数量。该方法将垂距作为判定设计变量取值的标准，进行数据点的初步筛选。选取高斯函数作为设计点之间的相关函数，并且在边缘附近进一步修正。针对实际算例，将该取样算法与多点加点准则比较，结果表明使用的方法在保证全局精度的基础上，采用较少的采样点构建代理模型，具有较高的局部近似精度。
doi_str_mv	10.3901/JME.2015.09.153
format	Article
fullrecord	<record><control><sourceid>wanfang_jour_chong</sourceid><recordid>TN_cdi_wanfang_journals_jxgcxb201509024</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><cqvip_id>664762615</cqvip_id><wanfj_id>jxgcxb201509024</wanfj_id><sourcerecordid>jxgcxb201509024</sourcerecordid><originalsourceid>FETCH-LOGICAL-c594-39cbd751616108f3e2afd18ce3c6cf911285745839091b61c9c9c85e5f3af6973</originalsourceid><addsrcrecordid>eNotULlKA0EAnULBEFPb21jtOsfOVUqIZ8Qm_TI72Vk36EY3iLENYhOINioEjIoWVjYW0fg7e_gZjkRe8ZrHuwBYQdAlEqL13f2GiyGiLpQuomQBVCDl3GFMsCVQ6_XiACKCOabUqwC-l8ZRnETZ90t5c1W8PeeTYfY5zB9n2WyUTwY_04dyfJm_jsvBV359VzxNy_f74uN2GSwaddQLa_9cBa3NRqu-7TQPtnbqG01HU-k5ROqgzSliFlAYEmJl2kjokGimjUQIC8o9KmxviQKGtLQQNKSGKMMkJ1WwNrc9V4lRSeR3umdpYgP9Tj_S_eBvJ5QQe1a5Olfqw24SndpJ_kkaH6v0wmfM4wwz-8UvoQljCA</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>Kriging代理模型下基于垂距的多点取样算法</title><source>Alma/SFX Local Collection</source><creator>陈霞李磊岳珠峰仝福娟刘博</creator><creatorcontrib>陈霞李磊岳珠峰仝福娟刘博</creatorcontrib><description>代理模型由于可以有效地缩减学科分析时间，被广泛应用于优化领域。而构建高精度代理模型则取决于样本点在设计空间中的分布。为了建立拟合效率高的近似模型，在已有Kriging代理模型基础上，提出一种基于垂距和最大化点均方差取样（Integrated mean square error, IMSE）的多点取样算法，以保证预测精度的同时减少样本数量。该方法将垂距作为判定设计变量取值的标准，进行数据点的初步筛选。选取高斯函数作为设计点之间的相关函数，并且在边缘附近进一步修正。针对实际算例，将该取样算法与多点加点准则比较，结果表明使用的方法在保证全局精度的基础上，采用较少的采样点构建代理模型，具有较高的局部近似精度。</description><identifier>ISSN: 0577-6686</identifier><identifier>DOI: 10.3901/JME.2015.09.153</identifier><language>chi</language><publisher>西北工业大学力学与土木建筑学院西安 710129</publisher><subject>Kriging模型 ; 取样算法 ; 垂距 ; 最大化均方差 ; 相关函数</subject><ispartof>机械工程学报, 2015, Vol.51 (9), p.153-158</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://image.cqvip.com/vip1000/qk/90288X/90288X.jpg</thumbnail><link.rule.ids>315,781,785,4025,27927,27928,27929</link.rule.ids></links><search><creatorcontrib>陈霞李磊岳珠峰仝福娟刘博</creatorcontrib><title>Kriging代理模型下基于垂距的多点取样算法</title><title>机械工程学报</title><addtitle>Chinese Journal of Mechanical Engineering</addtitle><description>代理模型由于可以有效地缩减学科分析时间，被广泛应用于优化领域。而构建高精度代理模型则取决于样本点在设计空间中的分布。为了建立拟合效率高的近似模型，在已有Kriging代理模型基础上，提出一种基于垂距和最大化点均方差取样（Integrated mean square error, IMSE）的多点取样算法，以保证预测精度的同时减少样本数量。该方法将垂距作为判定设计变量取值的标准，进行数据点的初步筛选。选取高斯函数作为设计点之间的相关函数，并且在边缘附近进一步修正。针对实际算例，将该取样算法与多点加点准则比较，结果表明使用的方法在保证全局精度的基础上，采用较少的采样点构建代理模型，具有较高的局部近似精度。</description><subject>Kriging模型</subject><subject>取样算法</subject><subject>垂距</subject><subject>最大化均方差</subject><subject>相关函数</subject><issn>0577-6686</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2015</creationdate><recordtype>article</recordtype><recordid>eNotULlKA0EAnULBEFPb21jtOsfOVUqIZ8Qm_TI72Vk36EY3iLENYhOINioEjIoWVjYW0fg7e_gZjkRe8ZrHuwBYQdAlEqL13f2GiyGiLpQuomQBVCDl3GFMsCVQ6_XiACKCOabUqwC-l8ZRnETZ90t5c1W8PeeTYfY5zB9n2WyUTwY_04dyfJm_jsvBV359VzxNy_f74uN2GSwaddQLa_9cBa3NRqu-7TQPtnbqG01HU-k5ROqgzSliFlAYEmJl2kjokGimjUQIC8o9KmxviQKGtLQQNKSGKMMkJ1WwNrc9V4lRSeR3umdpYgP9Tj_S_eBvJ5QQe1a5Olfqw24SndpJ_kkaH6v0wmfM4wwz-8UvoQljCA</recordid><startdate>2015</startdate><enddate>2015</enddate><creator>陈霞李磊岳珠峰仝福娟刘博</creator><general>西北工业大学力学与土木建筑学院西安 710129</general><scope>2RA</scope><scope>92L</scope><scope>CQIGP</scope><scope>W92</scope><scope>~WA</scope><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2015</creationdate><title>Kriging代理模型下基于垂距的多点取样算法</title><author>陈霞李磊岳珠峰仝福娟刘博</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c594-39cbd751616108f3e2afd18ce3c6cf911285745839091b61c9c9c85e5f3af6973</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2015</creationdate><topic>Kriging模型</topic><topic>取样算法</topic><topic>垂距</topic><topic>最大化均方差</topic><topic>相关函数</topic><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>陈霞李磊岳珠峰仝福娟刘博</creatorcontrib><collection>中文科技期刊数据库</collection><collection>中文科技期刊数据库-CALIS站点</collection><collection>中文科技期刊数据库-7.0平台</collection><collection>中文科技期刊数据库-工程技术</collection><collection>中文科技期刊数据库- 镜像站点</collection><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>机械工程学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>陈霞李磊岳珠峰仝福娟刘博</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>Kriging代理模型下基于垂距的多点取样算法</atitle><jtitle>机械工程学报</jtitle><addtitle>Chinese Journal of Mechanical Engineering</addtitle><date>2015</date><risdate>2015</risdate><volume>51</volume><issue>9</issue><spage>153</spage><epage>158</epage><pages>153-158</pages><issn>0577-6686</issn><abstract>代理模型由于可以有效地缩减学科分析时间，被广泛应用于优化领域。而构建高精度代理模型则取决于样本点在设计空间中的分布。为了建立拟合效率高的近似模型，在已有Kriging代理模型基础上，提出一种基于垂距和最大化点均方差取样（Integrated mean square error, IMSE）的多点取样算法，以保证预测精度的同时减少样本数量。该方法将垂距作为判定设计变量取值的标准，进行数据点的初步筛选。选取高斯函数作为设计点之间的相关函数，并且在边缘附近进一步修正。针对实际算例，将该取样算法与多点加点准则比较，结果表明使用的方法在保证全局精度的基础上，采用较少的采样点构建代理模型，具有较高的局部近似精度。</abstract><pub>西北工业大学力学与土木建筑学院西安 710129</pub><doi>10.3901/JME.2015.09.153</doi><tpages>6</tpages></addata></record>
fulltext	fulltext
identifier	ISSN: 0577-6686
ispartof	机械工程学报, 2015, Vol.51 (9), p.153-158
issn	0577-6686
language	chi
recordid	cdi_wanfang_journals_jxgcxb201509024
source	Alma/SFX Local Collection
subjects	Kriging模型取样算法垂距最大化均方差相关函数
title	Kriging代理模型下基于垂距的多点取样算法
url	https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-16T19%3A07%3A03IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour_chong&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=Kriging%E4%BB%A3%E7%90%86%E6%A8%A1%E5%9E%8B%E4%B8%8B%E5%9F%BA%E4%BA%8E%E5%9E%82%E8%B7%9D%E7%9A%84%E5%A4%9A%E7%82%B9%E5%8F%96%E6%A0%B7%E7%AE%97%E6%B3%95&rft.jtitle=%E6%9C%BA%E6%A2%B0%E5%B7%A5%E7%A8%8B%E5%AD%A6%E6%8A%A5&rft.au=%E9%99%88%E9%9C%9E%20%E6%9D%8E%E7%A3%8A%20%E5%B2%B3%E7%8F%A0%E5%B3%B0%20%E4%BB%9D%E7%A6%8F%E5%A8%9F%20%E5%88%98%E5%8D%9A&rft.date=2015&rft.volume=51&rft.issue=9&rft.spage=153&rft.epage=158&rft.pages=153-158&rft.issn=0577-6686&rft_id=info:doi/10.3901/JME.2015.09.153&rft_dat=%3Cwanfang_jour_chong%3Ejxgcxb201509024%3C/wanfang_jour_chong%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_cqvip_id=664762615&rft_wanfj_id=jxgcxb201509024&rfr_iscdi=true