Алгоритм формирования малой обучающей выборки с использованием многослойного персептрона для априорных оценок
https://doi.org/10.23947/2587-8999-2020-1-2-114-119
Аннотация
В статье предлагается алгоритм формирования небольшой обучающей выборки, обеспечивающей приемлемое качество суррогатной модели машинного обучения, обученной с использованием этой выборки. Алгоритм использует многослойный персептрон для выполнения предварительной оценки и выбора следующего лучшего образца для включения в выборки. В статье тестируется предложенный алгоритм применительно к задаче о деформации и разрыве тонкой нити под действием на нее импульса поперечной нагрузки. Обсуждается возможность обобщения подхода и его применения для построения суррогатных моделей машинного обучения для других физических задач.
Ключевые слова
машинное обучение,
обучающая выборка,
численное моделирование,
суррогатная модель,
многослойный перцептрон
При поддержке: Работа выполнена в рамках инициативной НИР.
Об авторе
М. Селезнёв
Московский физико-технический институт
Россия
Россия
Селезнёв Михаил, Научный сотрудник
Долгопрудный, Институтский пер., д. 9
Список литературы
1. Beklemysheva, K.A., Petrov, I.B. Damage modeling in hybrid composites subject to low-speed impact // Mathematical Models and Computer Simulations2019. – Vol. 11. – P. 469-478.
2. Kim, S.H., Boukouvala, F. Machine learning-based surrogate modeling for data-driven optimization: a comparison of subset selection for regression techniques // Optimization Letters. – 2020. – Vol. 14. – P. 989-1010.
3. Rakhmatulin Kh.A., Demianov Yu.A. Strength under high transient loads. – New York : Daniel Davey, 1966. — 348 p.
4. Vasyukov A.V., Elovenkova M.A., Petrov I.B. Modeling of thin fiber deformation and destruction under dynamic load // Matem. Mod. – 2020. – Vol. 32, iss. 5. – P. 95-102.
5. Hsiang-Fu Y., Fang-Lan H., Chih-Jen L. Dual coordinate descent methods for logistic regression and maximum entropy models // Machine Learning. – 2011. – Vol. 85. – P. 41-75.
6. Platt J. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods. In: Advances in Large Margin Classifiers // Cambridge : MIT Press, 1999. – P. 61-74.
7. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation. In: Parallel distributed processing: Explorations in the microstructure of cognition // Cambridge : MIT Press, 1986. – P. 318-362.
Рецензия
Для цитирования:
Селезнёв М. Алгоритм формирования малой обучающей выборки с использованием многослойного персептрона для априорных оценок. Computational Mathematics and Information Technologies. 2020;4(2):114-119. https://doi.org/10.23947/2587-8999-2020-1-2-114-119
For citation:
Seleznov M. Algorithm for a formation of a small training set using a multilayer perceptron for a priori estimates. Computational Mathematics and Information Technologies. 2020;4(2):114-119. https://doi.org/10.23947/2587-8999-2020-1-2-114-119
Просмотров:
265
Послать статью по эл. почте 