Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

140 winkels

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Vind hier een winkel

€ 58,95

+ 117 punten

Levertermijn 1 à 4 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

Reliability is a critical indicator of organizations' performance in face of market competition, since it contributes to production regularity. Its prediction is of great interest as it may anticipate trends of system failures and thus enable maintenance actions. The consideration of all aspects that influence system reliability may render its modeling very complex and learning methods such as Support Vector Machines (SVMs) emerge as alternative prediction tools: previous knowledge about the function or process that maps input variables into output is not required. However, SVM performance is affected by parameters from the related learning problem. Suitable values for them are chosen by means of Particle Swarm Optimization (PSO), a probabilistic approach based on the behavior of organisms that move in groups. Thus, a PSO+SVM methodology is proposed to handle reliability prediction problems. It is used to solve application examples based on time series data and also involving data collected from oil production wells. The results indicate that PSO+SVM is able to provide competitive or even more accurate reliability predictions when compared, for example, to Neural Networks (NNs).