Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloEmpirical models based on machine learning techniques for determining approximated reliability expressions
Anno di pubblicazione2004
FormatoCartaceo
Autore/iC. M. Rocco, M. Muselli
Affiliazioni autoriC. M. Rocco: Facultad de Ingenieria, Universidad Central Venezuela, Caracas, Venezuela, M. Muselli CNR IEIIT Genova
Autori CNR e affiliazioni
  • MARCO MUSELLI VQR
Lingua/e
  • inglese
AbstractIn this paper two machine learning algorithms, decision trees (DT) and Hamming clustering (HC), are compared in building approximate reliability expression (RE). The main idea is to employ a classification technique, trained on a restricted subset of data, to produce an estimate of the RE, which provides reasonably accurate values of the reliability. The experiments show that although both methods yield excellent predictions, the HC procedure achieves better results with respect to the DT algorithm.
Lingua abstractinglese
Altro abstract-
Lingua altro abstract-
Pagine da301
Pagine a309
Pagine totali-
RivistaReliability engineering & systems safety
Attiva dal 1988
Editore: Elsevier Applied Science, - Barking
Paese di pubblicazione: Regno Unito
Lingua: inglese
ISSN: 0951-8320
Titolo chiave: Reliability engineering & systems safety
Titolo proprio: Reliability engineering & systems safety.
Titolo abbreviato: Reliab. eng. syst. saf.
Titolo alternativo: Reliability engineering and systems safety
Numero volume della rivista83
Fascicolo della rivista3
DOI10.1016/j.ress.2003.10.001
Verificato da refereeSì: Internazionale
Stato della pubblicazione-
Indicizzazione (in banche dati controllate)
  • ISI Web of Science (WOS) (Codice:000188539100003)
  • Scopus (Codice:2-s2.0-0348231930)
Parole chiaveNetwork reliability evaluation, Reliability expression, Rule generation, Decision tree, Hamming clustering
Link (URL, URI)-
Titolo parallelo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • IEIIT — Istituto di elettronica e di ingegneria dell'informazione e delle telecomunicazioni
Moduli CNR
    Progetti Europei-
    Allegati
    • Articolo pubblicato

    Dati associati a vecchie tipologie
    I dati associati a vecchie tipologie non sono modificabili, derivano dal cambiamento della tipologia di prodotto e hanno solo valore storico.
    Editore
    • Elsevier Science Ltd., Oxford (Regno Unito)

    Dati storici
    I dati storici non sono modificabili, sono stati ereditati da altri sistemi (es. Gestione Istituti, PUMA, ...) e hanno solo valore storico.
    Area disciplinareComputer Science & Engineering
    Area valutazione CIVRScienze matematiche e informatiche
    Rivista ISIRELIABILITY ENGINEERING & SYSTEM SAFETY [03702J0]