Skip to main content

Automatische Metamodellierung von CAE-Simulationsmodellen

This is a preview of subscription content, access via your institution.

BILD 1
BILD 2

Literaturhinweise

  1. Hastie, T.; Tinshirani, R.; Friedman, J.: The Elements of Statistical Learning — Springer Series in Statistics. New York: Springer, 2001

    Google Scholar 

  2. Mitchell, T. M.: Machine learning. New York: McGraw-Hill, 1997

    MATH  Google Scholar 

  3. Breiman, L.; Friedman, J.; Olshen R. A.; Stone, C. J.: Classification and Regression Trees. Wadsworth, 1984

    MATH  Google Scholar 

  4. Breiman, L.: Random Forests. Machine Learning. In: Kluwer Academic Publishers (2001) Nr. 45, S. 5–32

    MATH  Google Scholar 

  5. Zadeh, L. A.: Fuzzy Sets. In: Information Control (1965), Nr. 8, S. 338–353

    Google Scholar 

  6. Kiendl, H.; Krabs, M.: Ein Verfahren zur Generierung regelbasierter Modelle für dynamische Systeme. In: at-Automatisierungstechnik (1989), Nr. 37, S. 423–430

    Google Scholar 

  7. Krabs, M.: Das Rosa-Verfahren zur Modellierung dynamischer Systeme durch Regeln mit statistischer Relevanzbewertung. Düsseldorf: VDI Verlag, 1994, VDI-Fortschritt-Berichte, Reihe 8, Nr. 404

    Google Scholar 

  8. Krone, A.; Kiendl, H.: Strategieelemente zur Beherrschung von Komplexität bei der rechnergestützten regelbasierten Modellierung. 5. Workshop Fuzzy Control, Tagungsband, S. 56-70

  9. Krone, A.: Datenbasierte Generierung von relevanten Fuzzy-Regeln zur Modellierung von Prozesszusammenhängen und Bedienstrategien. Düsseldorf: VDI Verlag, 1999, VDI-Fortschritt-Berichte, Reihe 10, Nr. 615

    Google Scholar 

  10. Werbos, P. J.: Beyond regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Harvard University, 1975

    Google Scholar 

  11. Ripley, B.: Pattern Recognition and Neural Networks. Cambridge University Press, 1996

    Book  MATH  Google Scholar 

  12. Vapnik, V.: The nature of statistical learning theory. Springer, 1995

    Book  MATH  Google Scholar 

  13. Smola, A. J.; Schölkopf, B.: A Tutorial on Support Vector Regression. In: Statistics and Computing (2004), Band 14, S. 199–222

    MathSciNet  Article  Google Scholar 

  14. Takeuchi, I.; Le, Q. V.; Sears, T. D.; Smola, A. J.: Nonparametric Quantile Estimation. In: Journal of Machine Learning Research (2006), Nr. 7

    Google Scholar 

  15. Martens, H.; Naes, T.: Multivariate Calibration. Wiley, 1989

    MATH  Google Scholar 

  16. Williams, C. K. I.; Barber, D.: Bayesian classification with Gaussian processes. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, Nr. 20, S. 1342–1351

    Article  Google Scholar 

  17. Kohavi, R.: A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Proceedings of the 14th International Joint Conference on Artificial Intelligence, Nr. 2, S. 1137–1143

  18. Akaike, H.: A new look at the statistical model identification. In: IEEE Transactions on Automatic Control 19 (1974), Nr. 6, S. 716–723

    Google Scholar 

  19. Schwarz, G.: Estimating the Dimension of a Model. In: The Annals of Statistics, März 1978, Nr. 6, S. 461–464

    Google Scholar 

  20. Wahba, G.; Craven, P.: Smoothing noisy data with spline functions. In: Numerische Mathematik, Nr. 31, S. 377–403

  21. Ye, J.: On Measuring and Correcting the Effects of Data Mining and Model Selection. In: Journal of American Statistical Association, March 1998, Nr. 93, S. 120–131

    MathSciNet  Article  MATH  Google Scholar 

  22. Bäck, T.: Evolutionary Algorithms in Theory and Practice. New York: Oxford University Press, 1996

  23. Bäck, T.; Foussette C.; Krause P.: Contemporary Evolution Strategies. Berlin/Heidelberg: Springer, 2013

    Book  MATH  Google Scholar 

  24. Bache, K.; Lichman, M.: UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science, 2013

    Google Scholar 

  25. Hansen, N.; Auger, A.; Fink, S.; Ros, R.: Real-parameter black-box optimization benchmarking 2010: experimental setup. Research report RR-7215, Inria, 2010

    Google Scholar 

Download references

Danke

Die Autoren bedanken sich bei der Forschungsvereinigung Automobiltechnik e. V. (FAT) und insbesondere bei dem FAT-Arbeitskreis 27, Unterabteilung Optimierung, für die Förderung und Unterstützung bei dem FAT-Forschungsprojekt „Entwicklung von Methoden zur zuverlässigen Metamodellierung von CAE Simulations-Modellen“ (Nr. 264).

Author information

Authors and Affiliations

Authors

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Bäck, T., Krause, P. & Foussette, C. Automatische Metamodellierung von CAE-Simulationsmodellen. ATZ Automobiltech Z 117, 64–69 (2015). https://doi.org/10.1007/s35148-015-0032-7

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s35148-015-0032-7