To demonstrate the effectiveness of

To demonstrate the effectiveness of COAL, we compare it with the ANN DSE approach
proposed by ¨Ipek et al. [2006], and a supervised M5P regression tree. Following
the setting utilized by ¨Ipek et al. [2006], the ANN adopts one 16-unit hidden layer, a
learning rate of 0.001, and a momentum value of 0.5. The minimal number of examples
in each leaf of the M5P tree is set to 4. In our experiments, both ANN and M5P models
are constructed by a training set consisting of 400 labeled design configurations.
Among the 400 labeled configurations, 300 labeled design configurations are the same
to the configurations in the initial training set of COAL, and other 100 configurations
are generated randomly and labeled by cycle-accurate processor simulations. In addition,
we also provide the performance data of the intelligent-sampling-based ANN DSE
approach (ANN-IS for short), a variant of the ANN DSE approach proposed by ¨Ipek
et al. [2006], as a reference. Following the setting suggested by ¨Ipek et al., ANN-IS
repeatedly updates an ensemble of 10 ANNs trained by 10-fold cross validation over
the labeled design configurations, and iteratively labels (simulates) the unlabeled configurations
on which the ANNs present largest coefficients of variance (ratio of the
standard deviation to mean). ANN-IS shares the same initial training set with COAL,
and all approaches share the same testing data with COAL.

ผลลัพธ์ (ไทย) 1:

แสดงให้เห็นถึงประสิทธิภาพของถ่านหิน เราเปรียบเทียบกับวิธีแบบ ANN DSEนำเสนอ โดย ¨Ipek et al. [2006], ต้นไม้มี M5P ถดถอย ต่อไปนี้ตั้งค่าที่ใช้ โดย ¨Ipek et al. [2006], แอน adopts ราคาหนึ่งหน่วย 16 ชั้นซ่อน การเรียนรู้อัตรา 0.001 และค่าโมเมนตัมของ 0.5 จำนวนตัวอย่างน้อยที่สุดในแต่ละใบของ M5P แผนภูมิถูกตั้งค่าเป็น 4 ในการทดลองของเรา แอนและ M5Pถูกสร้าง โดยชุดฝึกอบรมประกอบด้วยค่าออกแบบป้าย 400โครงป้าย 400, 300 ออกแบบป้ายโครงในหมู่เดียวกันการตั้งค่าคอนฟิกในชุดฝึกอบรมเริ่มต้นของถ่านหิน และการกำหนดค่าอื่น ๆ 100สร้างขึ้นแบบสุ่ม และกำหนดป้ายชื่อ โดยตัวประมวลผลที่ถูกต้องของวงจรจำลองการ นอกจากนี้นอกจากนี้เรายังมีข้อมูลประสิทธิภาพของ DSE ANN อัจฉริยะสุ่มตามวิธีการ (แอน-เป็นสั้น ๆ), ตัวแปรวิธี ANN DSE เสนอ โดย ¨Ipekal. ร้อยเอ็ด [2006], อ้างอิง วิธีการตั้งค่าที่แนะนำ โดย ¨Ipek et al. แอน-เป็นการปรับปรุงซ้ำ ๆ เพลิดเพลิน ANNs ฝึก โดยตรวจสอบไขว้ 10-fold มากกว่า 10การตั้งค่าคอนฟิกออกแบบป้าย และซ้ำ ๆ ป้าย (จำลอง) ไม่กำหนดค่าบนที่ ANNs ที่แสดงค่าสัมประสิทธิ์ที่ใหญ่ที่สุดของผลต่าง (อัตราส่วนของการส่วนเบี่ยงเบนมาตรฐานหมาย) แอน-เป็นหุ้นการฝึกเริ่มต้นเดียวกันที่มีถ่านหินและทั้งหมดวิธีข้อมูลทดสอบเดียวกันที่ร่วมกับถ่านหิน

ผลลัพธ์ (ไทย) 2:

ที่จะแสดงให้เห็นถึงประสิทธิภาพของถ่านหินที่เราเปรียบเทียบกับวิธีการ ANN DSE
เสนอโดยİpekและคณะ [2006] และต้นไม้ภายใต้การดูแลถดถอย M5P ต่อไปนี้
การตั้งค่าโดยใช้İpekและคณะ [2006], ANN adopts หนึ่ง 16 หน่วยชั้นซ่อน
อัตราการเรียนรู้ 0.001 และความคุ้มค่าโมเมนตัม 0.5 จำนวนที่น้อยที่สุดของตัวอย่าง
ในใบของต้น M5P แต่ละคนจะตั้งถึง 4 ในการทดลองของเราทั้งแอนและ M5P รุ่น
ถูกสร้างโดยชุดการฝึกอบรมประกอบด้วย 400 ระบุว่าการกำหนดค่าการออกแบบ
ในการกำหนดค่าป้าย 400, 300 ระบุว่าการกำหนดค่าการออกแบบ เช่นเดียว
กับการกำหนดค่าในชุดการฝึกอบรมเริ่มต้นของถ่านหินและอื่น ๆ 100 การกำหนดค่า
จะถูกสร้างขึ้นแบบสุ่มและติดป้ายโดยรอบที่ถูกต้องจำลองการประมวลผล นอกจากนี้
เรายังให้ข้อมูลประสิทธิภาพการทำงานของอัจฉริยะ-สุ่มตัวอย่างตาม ANN DSE
วิธี (ANN-IS สั้น) แตกต่างจากวิธีการ ANN DSE เสนอโดยİpek
และคณะ [2006] เป็นข้อมูลอ้างอิง ต่อไปนี้การตั้งค่าที่แนะนำโดยİpek et al., ANN-IS
ปรับปรุงซ้ำแล้วซ้ำอีกชุดจาก 10 ANNs รับการฝึกฝนโดยการตรวจสอบข้าม 10 เท่ากว่า
การกำหนดค่าการออกแบบป้ายและป้ายซ้ำ (จำลอง) การกำหนดค่าที่ไม่มีป้ายกำกับ
ที่ค่าสัมประสิทธิ์ที่ใหญ่ที่สุด ANNs ปัจจุบัน ความแปรปรวน (อัตราส่วนของ
ส่วนเบี่ยงเบนมาตรฐานหมายถึง) ANN-IS หุ้นเริ่มต้นการฝึกอบรมชุดเดียวกันกับถ่านหิน
และวิธีการทั้งหมดแบ่งปันข้อมูลการทดสอบเดียวกันกับถ่านหิน

ผลลัพธ์ (ไทย) 3:

เพื่อแสดงให้เห็นถึงประสิทธิภาพของถ่านหิน เราเปรียบเทียบกับ แอน dse
เสนอโดยวิธีการตั้งก เป็ก et al . [ 2006 ] , และการดูแล m5p ต้นไม้ ต่อไปนี้
การใช้โดยตั้งก เป็ก et al . [ 2006 ] , แอน adopts หนึ่ง 16 หน่วยชั้นซ่อน ,
อัตราการเรียนรู้ของ 0.001 และโมเมนตัมค่า 0.5 จำนวนน้อยที่สุดของตัวอย่าง
ในแต่ละใบของต้นไม้ m5p เป็นชุดที่ 4 ในการทดลองของเราและทั้งแอน m5p รุ่น
ถูกสร้างขึ้นโดยชุดฝึกประกอบด้วย 400 ป้ายออกแบบการกำหนดค่า .
ระหว่าง 400 ป้ายการกำหนดค่า 300 ป้ายออกแบบรูปแบบเหมือนกัน
ไปยังการตั้งค่าในการเริ่มต้นการฝึกอบรมชุดของถ่านหิน และอีก 100 ค่า
ที่สร้างขึ้นแบบสุ่มและป้ายโดยวงจรถูกต้องประมวลผลการจำลอง . นอกจากนี้
นอกจากนี้เรายังให้ข้อมูลประสิทธิภาพของฉลาดคนแอน dse
วิธีการตาม ( ann-is สำหรับสั้น ) , ตัวแปรของแอน dse วิธีการเสนอโดยตั้งก เป็ก
et al . [ 2006 ] เป็นอ้างอิง ต่อไปนี้การตั้งค่าที่แนะนำโดยตั้งก เป็ก et al . , ann-is
ซ้ำ ๆการปรับปรุงการรวมวงของ 10 ทางฝึก 10 โฟลดกว่า
ป้ายการออกแบบการตั้งค่าคอนฟิกซ้ำ ( จำลอง ) และป้ายชื่อตั้งค่า unlabeled
ที่ใหญ่ที่สุดทางปัจจุบันสัมประสิทธิ์ความผันแปร ( อัตราส่วนของ
ส่วนเบี่ยงเบนมาตรฐานหมายถึง ) ann-is หุ้นเหมือนกัน เริ่มต้นการฝึกชุดถ่านหิน
และข้อมูลการทดสอบแนวทางเดียวกันกับถ่านหิน