Sep, 2023

基于深度学习的吸引盆分析

PDF
TL;DR卷积神经网络在表征多样的动力系统吸引盆复杂性和不可预测性方面的有效性进行了展示。与传统方法相比，这种新颖的方法能够以最佳方式探索动力系统的不同参数，而传统方法在表征多个吸引盆时具有计算成本较高的问题。此外，我们的研究还比较了不同卷积神经网络架构在此任务中的性能，展示了我们提出的表征方法即使使用过时的架构也优于传统方法。
convolutional neural networkscomplexityunpredictabilitybasins of attractiondynamical systems
发现论文，激发创造
  • 机器学习推断电力系统吸引盆地

    提出了一种基于平衡库容计算的机器学习技术，通过测量数据推断典型电力系统中引起运行中断的吸引盆地，并证明该技术可以准确预测系统是否能在大幅度随机扰动后返回到功能状态，同时还可以用于推断典型混沌系统中的吸引子。

    May, 2023

  • 深度卷积神经网络分析的改进

    本论文提出了一种基于可视化分析的方法，以更好地理解、诊断和改进深度卷积神经网络，并使用一些新的算法和技术来显示神经元和神经元群之间的多个方面和交互作用。

    Apr, 2016

  • 多分支径向基网络预测复杂混沌行为

    本研究提出了一种多分支网络方法，用于预测由复杂和混沌行为特征的物理吸引子的动力学。我们引入了一种独特的神经网络架构，由径向基函数（RBF）层和注意机制组成，旨在有效捕捉吸引子时序演化中的非线性相互依赖关系。我们的结果展示了使用包含约 28 分钟活动的 36,700 个时间序列观察值的真实数据集进行的 100 次预测中吸引子轨迹的成功预测。为了进一步说明我们提出技术的性能，我们提供了全面的可视化，展示了吸引子的原始和预测行为，并对观察到的结果与估计结果进行了定量衡量。总的来说，这项工作展示了先进机器学习算法在揭示复杂物理系统中隐藏结构方面的潜力，同时在需要准确的短期预测能力的各个领域提供了实际应用。

    Mar, 2024

  • 通过架构特征推断卷积神经网络的准确性

    本研究提出了一种有利于评估不同卷积神经网络体系结构的系统性语言，该语言能够在训练前进行比较，本研究使用该语言在两个具体的基于计算机视觉的物理问题上，解决了事件顶点查找和强子多重性分类问题，同时提取了优化网络架构中的几个架构属性，使用机器学习模型对其进行了预测。

    Jan, 2020

  • 细节之魔归来：深入探究卷积神经网络

    本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了 CNN 基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

    May, 2014

  • 利用生物神经元属性的卷积神经网络

    通过结合生物神经元原理，使用基于神经科学的计算模型来增强训练效率和提高准确性，以推动组合感受野模型作为卷积神经网络的基础层，从而在 CIFAR-10、CIFAR-100 和 ImageNet-100 数据集上实现性能显著提升（平均提升 5%-10%）

    Nov, 2023

  • 基于物理信息卷积神经网络预测折叠分叉

    本研究提出了一种基于物理信息的卷积神经网络（CNN），用于识别靠近折叠分叉的动力系统的时间序列。研究结果表明，通过特定的数据预处理，该 CNN 能够准确捕捉与接近折叠分叉相关的重要特征，为类似的 CNN 在实际应用中的开发铺平了道路。

    Dec, 2023

  • 基于字符级别和多通道卷积神经网络的大规模作者归属性识别

    本文介绍了使用卷积神经网络（CNN）对大规模的作者归属进行分类，研究结果表明，基于字符级信号的 CNN 在不同领域的五个数据集中优于现有方法并首次将作者归属应用于 Reddit。

    Sep, 2016

  • 文档图像分类卷积神经网络分析

    通过对卷积神经网络 CNNs 模型对文件图像分类任务的研究，我们发现使用剪切变形的数据扩增和一个针对更大输入图像设计的架构，可以超过基准数据集的现有技术，并且我们发现使用 RVL-CDIP 训练的 CNNs 可以学习区域特定的布局特征。

    Aug, 2017

  • 超参数神经网络中初始流域的质量

    本文探讨了在 ReLU 神经网络中，通过随机初始化的方式初始参数，研究与之相关的非凸优化函数的几何结构，寻找全局最小点和小的最小目标价值。结果表明，相较于小型神经网络，大型神经网络更容易满足这些性质。

    Nov, 2015