Prediction of operating dynamics in floating-zone crystal growth using Gaussian mixture model
Prediction of operating dynamics in floating-zone crystal growth using Gaussian mixture model
复制标题
使用高斯混合模型预测浮区晶体生长的操作动态
DOI：
10.1080/27660400.2022.2107884
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
S. Harada
中科院分区：
文献类型：
--
作者：
R. Omae;S. Sumitani;Y. Tosa;S. Harada
作为一个材料过程的例子，我们应用高斯混合回归来预测浮区晶体生长的操作动力学。仅从五个演示轨迹中，我们成功地使用高斯混合模型预测了运行动力学，其精度优于使用线性回归或神经网络获得的精度。目前的研究结果表明，高斯混合回归适合于预测材料过程的运行动力学，并且可以避免稳定运行条件下的大变化。此外，利用高斯混合回归进行精确的预测，可以实现操作轨迹的优化和物料过程的自动控制。
We have applied a Gaussian mixture regression to the prediction of operation dynamics in floating zone crystal growth as an example of a materials process. From only five demonstration trajectories, we successfully predicted the operating dynamics using the Gaussian mixture model with better precision than obtained by using linear regression or neural networks. The current results indicate that the Gaussian mixture regression is suitable for predicting the operation dynamics of materials processes in which it is preferable to avoid large changes from stable operating conditions. Furthermore, precise prediction by the Gaussian mixture regression will lead to the optimization of operation trajectories and automatic control of materials processes.
登录
查看更多内容
影响因子：
6.9
作者：
Shinsuke Miyagawa;K. Gotoh;K. Kutsukake;Y. Kurokawa;N. Usami
通讯作者：
Shinsuke Miyagawa;K. Gotoh;K. Kutsukake;Y. Kurokawa;N. Usami
化学过程的模型预测控制
DOI：
10.1109/acc.1991.4174697
发表时间：
1991
期刊：
American Control Conference
影响因子：
--
作者：
John W. Eaton;J. Rawlings
通讯作者：
J. Rawlings
影响因子：
1.8
作者：
S. Otani;Y. Ishizawa
通讯作者：
Y. Ishizawa
由机器学习算法指导的晶体生长系统的几何设计
影响因子：
3.1
作者：
Yu Wancheng;Zhu Can;Tsunooka Yosuke;Huang Wei;Dang Yifan;Kutsukake Kentaro;Harada Shunta;Tagawa Miho;Ujihara Toru
通讯作者：
Ujihara Toru
机器学习辅助薄膜生长：SrRuO3 薄膜分子束外延的贝叶斯优化
影响因子：
6.1
作者：
Y. Wakabayashi;Takuma Otsuka;Y. Krockenberger;H. Sawada;Y. Taniyasu;Hideki Yamamoto
通讯作者：
Hideki Yamamoto