To demonstrate the effectiveness of

To demonstrate the effectiveness of COAL, we compare it with the ANN DSE ap proach proposed by I¨pek et al. [2006], and a supervised M5P regression tree. Following the setting utilized by I¨pek 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 I¨pek et al. [2006], as a reference. Following the setting suggested by I¨pek 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 เราเปรียบเทียบมันกับ proach ANN DSE ap ที่เสนอ โดย I¨pek et al. [2006], และต้นไม้มี M5P ถดถอย ต่อไปนี้ตั้งค่าที่ใช้โดย I¨pek et al. [2006], แอน adopts หนึ่งหน่วย 16 ชั้นซ่อน การเรียนรู้อัตรา 0.001 และค่าโมเมนตัมของ 0.5 ได้ 4 จำนวนตัวอย่างในแต่ละใบของต้น M5P น้อยที่สุด ในการทดลองของเรา แอนและ M5P ถูกสร้าง โดยชุดฝึกอบรมประกอบด้วยค่าออกแบบป้าย 400 โครงป้าย 400, 300 ออกแบบป้ายโครงตรงกันการตั้งค่าคอนฟิกในชุดฝึกอบรมเริ่มต้นของถ่านหิน และตั้งค่าคอนฟิกอื่น ๆ 100 สร้างขึ้นแบบสุ่ม และกำหนดป้ายชื่อ โดยจำลองวงจรประมวลผลที่ถูกต้อง นอกจากนั้น เรายังมีข้อมูลประสิทธิภาพของการสุ่มตัวอย่างอัจฉริยะตามวิธี ANN DSE (แอน-เป็นสั้น ๆ), ตัวแปรวิธี ANN DSE เสนอโดย I¨pek et al. [2006], อ้างอิง วิธีการตั้งค่าที่แนะนำโดย I¨pek et al. แอน-เป็นซ้ำ ๆ ปรับปรุงฝึกฝนเพลิดเพลิน 10 ANNs 10 พับไขว้ตรวจสอบออกแบบป้ายโครงแบบ และซ้ำ ๆ ป้าย (จำลอง) ที่ ANNs แสดงค่าสัมประสิทธิ์ที่ใหญ่ที่สุดของผลต่าง (อัตราส่วนของส่วนเบี่ยงเบนมาตรฐานหมาย) กำหนดค่าไม่ แอน-เป็นหุ้นเดียวกันเริ่มต้นฝึกด้วยถ่านหิน และทั้งหมดวิธีข้อมูลทดสอบเดียวกันที่ร่วมกับถ่านหิน

ผลลัพธ์ (ไทย) 3:

เพื่อแสดงให้เห็นถึงประสิทธิภาพของถ่านหิน เราเปรียบเทียบกับ แอน dse AP proach เสนอโดยผมตั้งเป็ก et al . [ 2006 ] , และการดูแล m5p ต้นไม้ ต่อไปนี้การใช้ โดยผมตั้งเป็ก et al . [ 2006 ] , แอน adopts หนึ่ง 16 หน่วยชั้นซ่อน ,
อัตราการเรียนรู้ของ 0.001 และโมเมนตัมค่า 0.5 จำนวนน้อยที่สุดของตัวอย่างในแต่ละใบของต้นไม้ m5p เป็นชุดที่ 4 ในการทดลองของเราทั้ง แอน m5p รุ่นและถูกสร้างขึ้นโดยชุดฝึกประกอบด้วย 400 ป้ายการออกแบบการตั้งค่า ระหว่าง 400 ป้ายการกำหนดค่า 300 ป้ายออกแบบเป็นแบบเดียวกันกับระบบในการเริ่มต้นการฝึกอบรมชุดของถ่านหิน และอีก 100 เซิร์ฟเวอร์จะถูกสร้างขึ้นแบบสุ่มและมีข้อความถูกต้องโดยวงจรประมวลผลการจำลอง . นอกจากนี้นอกจากนี้เรายังให้ข้อมูลประสิทธิภาพของฉลาดคนแอน dse วิธีการตาม ( ann-is สำหรับสั้น ) , ตัวแปรของแอน dse วิธีการเสนอโดยผมตั้งเป็ก et al . [ 2006 ] เป็นอ้างอิง ต่อไปนี้การตั้งค่าที่แนะนำโดยผมตั้งเป็ก et al . , ann-is
ซ้ำ ๆการปรับปรุงการรวมวงของ 10 ทางฝึก 10 โฟลดผ่านป้ายการออกแบบการตั้งค่าคอนฟิกซ้ำและป้ายชื่อ ( จำลอง ) ให้ใกล้เคียงแบบที่ใหญ่ที่สุดทางปัจจุบันสัมประสิทธิ์ความผันแปร ( อัตราส่วนของส่วนเบี่ยงเบนมาตรฐานหมายถึง ) ann-is หุ้นเริ่มต้นการฝึกอบรมชุดเดียวกันกับถ่านหินและทุกวิธีการแบ่งปันข้อมูลการทดสอบเดียวกัน
กับถ่านหิน