响应面方法和神经网络方法各自的优缺点是什么？

simplezhu · 发表于 2006-2-9 22:51:49

最近作论文，感觉多项式响应面方法和神经网络方法都可以作为函数逼近器，在变量数目比较小（小于10）的时候，它们两对函数的逼近程度都可以达到很高，即使在大量样本的情况下，对于非样本的预测能力主要取决于试验设计选点的合理性。有的文献上介绍样本数目多对多项式模拟不利，但是我用isight去模拟，复相关系数仍然可以达到0.99以上了；还有的文献介绍多项式方法相对于神经网络来说，对于大量设计变量问题不利，因为多项式的系数会变得很多。请高手来谈点这方面的经验？

ariesmoo · 发表于 2006-2-10 09:04:15

论文很多，网上搜...对强非线性问题，RSM很差的，Kring和RBFs的结果比RSM好很多的。不用麻烦了，你去拟合一个y=sinx * cos 3x /x，怎么布点，RSM的R2都不会好。

simplezhu · 发表于 2006-2-10 22:47:49

非常谢谢，能具体提供几篇文献吗？可能我搜索的关键词不对，我用approximation, response surface method, rsm等等在google都试过了,找到的文章似乎内容都不对了

blue_eye · 发表于 2006-5-23 10:20:53

同意楼上的说法

blue_eye · 发表于 2006-5-23 10:21:58

能不能上传些响应面方法的文献，现在急需，做文章要用！

rabitzh · 发表于 2006-5-23 19:15:46

响应面在解决变量之间的耦合性方面很差，在CO优化近似中，很多的无关的变量也会对目标产生影响。不过变量少了可能就会好点，我做的问题是14个设计变量的问题。

账号		自动登录	找回密码
密码			注册

账号		自动登录	找回密码
密码			立即注册

[入门&进阶] 响应面方法和神经网络方法各自的优缺点是什么？

相关帖子

Re:响应面方法和神经网络方法各自的优缺点是什么？

Re:响应面方法和神经网络方法各自的优缺点是什么？

我也发现了响应面的问题