2015
DOI: 10.1016/j.advengsoft.2015.06.014
|View full text |Cite
|
Sign up to set email alerts
|

Non-parametric stochastic subset optimization utilizing multivariate boundary kernels and adaptive stochastic sampling

Abstract: The implementation of NP-SSO (Non-Parametric Stochastic Subset Optimization) to general design under uncertainty problems and its enhancement through various soft computing techniques is discussed. NP-SSO relies on iterative simulation of samples of the design variables from an auxiliary probability density, and approximates the objective function through kernel density estimation (KDE) using these samples. To deal with boundary correction in complex domains, a multivariate boundary KDE based on local linear e… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1

Citation Types

0
2
0
1

Year Published

2016
2016
2022
2022

Publication Types

Select...
7

Relationship

0
7

Authors

Journals

citations
Cited by 11 publications
(3 citation statements)
references
References 29 publications
0
2
0
1
Order By: Relevance
“…La metodología utilizada se ha basado en el análisis de estadísticos de tendencia central y de dispersión, aplicados a las series de datos de mediciones experimentales obtenidas con el prototipo. En este análisis se han utilizado herramientas estadísticas gráficas como histogramas y diagramas de caja (boxplots), y también se han calculado las curvas de densidad de probabilidad de las series utilizando estimación no paramétrica basada en núcleo (Jia and Taflanidis, 2015). Los resultados de incertidumbre de las pruebas están referidos a una distribución gaussiana normal, con factor de cobertura k=2, y un nivel de confianza p=95%.…”
Section: Resultados Experimentales En Medidas De Parámetros Eléctricosunclassified
“…La metodología utilizada se ha basado en el análisis de estadísticos de tendencia central y de dispersión, aplicados a las series de datos de mediciones experimentales obtenidas con el prototipo. En este análisis se han utilizado herramientas estadísticas gráficas como histogramas y diagramas de caja (boxplots), y también se han calculado las curvas de densidad de probabilidad de las series utilizando estimación no paramétrica basada en núcleo (Jia and Taflanidis, 2015). Los resultados de incertidumbre de las pruebas están referidos a una distribución gaussiana normal, con factor de cobertura k=2, y un nivel de confianza p=95%.…”
Section: Resultados Experimentales En Medidas De Parámetros Eléctricosunclassified
“…where L l and L u are the lower and upper limits of a random sample, respectively. To improve the approximation at the tail of the KDE, an adaptive KDE was investigated by [52,53,[57][58][59] among others, in which an adaptive bandwidth is used in different regions of the sample space instead of a fixed bandwidth.…”
Section: Kernel Density Estimationmentioning
confidence: 99%
“…The methodology used was based on the analysis of central tendency and dispersion statistics applied to the data series of experimental measurements obtained with the prototype. This analysis used graphical statistical tools such as histograms and boxplots, and also calculated the probability density plots of the series using non-parametric estimation based on kernel [26]. The results of the tests of uncertainty are related to a normal Gaussian distribution, with coverage factor k = 2, and a confidence level of p = 95%.…”
Section: Tests For Quality On Electrical Parameters Measurementsmentioning
confidence: 99%