Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Optimización bayesiana de parámetros de proceso de un sistema de clasificación basado en sensores utilizando procesos gaussianos como modelos sustitutos

Created by
  • Haebom

Autor

Felix Kronenwett, Georg Maier, Thomas L. ángulo

Describir

Este artículo presenta un método para optimizar, monitorizar iterativamente y ajustar los parámetros de proceso de un sistema de clasificación basado en sensores. Considerando la necesidad inherente de validación y recalibración continuas ante cambios en los requisitos y las configuraciones del flujo de materiales, utilizamos un modelo de regresión de proceso gaussiano basado en la optimización bayesiana para cumplir con los requisitos específicos de comportamiento del sistema, incluyendo la incertidumbre. Minimizamos el número de experimentos necesarios, considerando simultáneamente dos posibles objetivos de optimización (basados en los requisitos de dos flujos de salida de materiales) y consideramos la incertidumbre en la precisión de la clasificación durante los cálculos del modelo. Evaluamos el método utilizando tres parámetros de proceso de ejemplo.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un método para optimizar eficientemente los parámetros del proceso de un sistema de clasificación basado en sensores utilizando optimización bayesiana y regresión de proceso gaussiano.
◦
La optimización es posible considerando los requisitos de dos flujos de salida simultáneamente.
◦
Se pueden obtener resultados de optimización más realistas si se tiene en cuenta la incertidumbre.
◦
Al minimizar el número de experimentos, se esperan ahorros de tiempo y costes.
•
Limitations:
◦
La evaluación del método presentado se limita a tres parámetros de ejemplo. Se requiere generalización a una gama más amplia de parámetros y sistemas.
◦
Falta de consideración de variables y restricciones adicionales que puedan surgir en aplicaciones industriales reales.
◦
Falta de análisis de sensibilidad sobre los supuestos del modelo de regresión del proceso gaussiano.
◦
Falta de análisis de la complejidad computacional del modelo y del potencial de procesamiento en tiempo real.
👍
Made with Slashpage