| Title: | Методика построения модели определения параметров технологического режима с использование метода опорных векторов |
| Other Titles: | Methodology for building a model for determining technological mode parameters using the support vector machine |
| Authors: | Николаев, К. С. |
| Keywords: | материалы конференций;Big Data;информационные системы;метод опорных векторов;SVR;машинное обучение;математическое моделирование;технологические режимы;подбор гиперпараметров;кросс-валидация;обработка данных;исключение выбросов;холодный старт |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Николаев, К. С. Методика построения модели определения параметров технологического режима с использование метода опорных векторов = Methodology for building a model for determining technological mode parameters using the support vector machine / К. С. Николаев // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 12–18. |
| Abstract: | Предложена методика построения модели определения параметров технологического
режима на основе метода опорных векторов (SVR). Методика включает очистку данных, исключение
выбросов, стандартизацию признаков и подбор гиперпараметров с использованием кросс-валидации. Для
каждого выходного параметра формируется отдельная модель. Результаты подтверждают эффективность
подхода при ограниченном объёме данных. Разработанные модели позволяют сократить число экспериментов
и решить задачу «холодного старта» при внедрении новых технологических процессов. |
| Alternative abstract: | A methodology for constructing a model for determining technological mode parameters based on
the support vector method (SVR) is proposed. The methodology includes data cleaning, outlier exclusion, feature
standardization, and hyperparameter selection using cross-validation. A separate model is formed for each output
parameter. The results confirm the effectiveness of the approach with a limited amount of data. The developed models
make it possible to reduce the number of experiments and solve the problem of a “cold start” when introducing new
technological processes. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/63491 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
