Benutzer: Gast  Login
Originaltitel:
Model Order Reduction of Parametrized Systems with Sparse Grid Learning Techniques 
Übersetzter Titel:
Modellreduktion von parameter-abhängigen Systemen mit Dünngitter-basierten Lernmethoden 
Jahr:
2013 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Bungartz, Hans-Joachim (Prof. Dr.) 
Gutachter:
Bungartz, Hans-Joachim (Prof. Dr.); Willcox, Karen (Prof., Ph.D.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Schlagworte (SWD):
Parametrisiertes System; Dünnes Gitter; Maschinelles Lernen 
TU-Systematik:
DAT 780d; DAT 708d 
Kurzfassung:
In computational science and engineering, model reduction methods construct low-cost surrogates of large-scale simulations by learning from data. We tackle the underlying learning task with novel sparse-grid-based techniques. Therefore, we introduce the first sparse grid clustering method, and an Offline/Online strategy to solve classification problems up to 300 times faster than before. Our methods are demonstrated on thermal conduction, car crash, and chemical reaction simulations. 
Übersetzte Kurzfassung:
Modellreduktion erstellt kostengünstige Approximationen von rechenaufwändigen Simulationen, indem von vorhandenen Daten gelernt wird. Wir verwenden Dünne Gitter für diese Lernaufgaben. Dazu stellen wir die erste Clustering-Methode basierend auf Dünnen Gittern vor und zeigen, wie man mit einer Offline/Online-Aufspaltung Klassifikationsprobleme bis zu 300 Mal schneller lösen kann, als dies zuvor möglich war. Diese Methoden setzen wir für Wärmeleitungs-, Crashtest-, und Reaktionssimulationen ein. 
Mündliche Prüfung:
18.09.2013 
Dateigröße:
31920560 bytes 
Seiten:
189 
Letzte Änderung:
25.02.2014