Feb, 2024

神经网络与摩擦：滑动、保持、学习

PDF
TL;DR通过训练具有门控循环单元（GRU）结构的递归神经网络（RNNs），本研究证明它们具备学习合成数据中速率状态摩擦定律复杂动力学的能力。我们的方法的一个新颖之处在于定义了损失函数，明确考虑了初始条件、直接影响和训练过程中状态变量的演化。研究发现，具有 GRU 结构的 RNN 有效地学习预测由于速度跃变而引起的摩擦系数变化，从而展示了机器学习模型在理解和模拟摩擦过程物理学方面的潜力。
发现论文，激发创造
  • 通过连续时间动力系统的视角看门控循环单元

    使用连续时间分析，我们对 Gated recurrent units (GRUs) 的内部运作获得了直观的理解。我们发现了一些意想不到的动态特征，同时我们无法训练 GRU 网络产生连续的吸引子，这也是生物神经网络存在的假设。

    Jun, 2019

  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 物理导向循环神经网络模拟动力系统：以模拟湖泊温度剖面为案例研究

    该论文提出了一种物理引导的循环神经网络模型，结合了循环神经网络与基于物理的模型，利用它们的互补优势来改善物理过程建模的精度，从而在各种科学和工程领域得到应用。

    Oct, 2018

  • 一种结合门控循环单元（GRU）和支持向量机（SVM）的神经网络体系结构，用于网络流量数据中的入侵检测

    本文通过 Gated Recurrent Unit 对 2013 年京都大学蜜罐系统的网络流量数据进行二进制分类，将线性支持向量机替换为 GRU 模型最终输出层的 Softmax 函数， cross-entropy 函数也将替换为基于边缘的函数，结果显示 GRU - SVM 模型的性能相对较高，并且 SVM 在预测时间上优于 Softmax。

    Sep, 2017

  • 门控循环单元（GRU）神经网络的门控变体

    本文通过减少更新和重置门中的参数，评估了三种变体的门控循环单元在递归神经网络中的性能。在 MNIST 和 IMDB 数据集上验证表明，这些门控循环单元的变体模型可以在降低计算成本的同时表现出与原始模型相当的性能。

    Jan, 2017

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 多分辨率物理信息循环神经网络：配方及应用于肌肉骨骼系统

    提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

    May, 2023

  • 利用 LSTM 神经网络预测极端海况下船舶动态的功能学习

    通过训练神经网络，尤其是采用 LSTM，可以预测船只在极端海况下的运动，且可以在运算量低得多的情况下进行预测。

    Dec, 2019

  • 液滴动力学能量预测的循环神经网络方法

    本研究采用 LSTM 模型预测具有表面张力效应的流体流动的瞬态和静态输出，通过神经网络结构从几何参数派生的时间序列数据来预测能量预算，该方法在液滴动力学问题中展示了准确性，并且可以用于预测静态参数，如雷诺数和韦伯数。

    Mar, 2024

  • 使用水平门循环单元学习长距空间依赖

    使用水平门控循环单元层，可以取得与甚至优于当前最先进的深度学习结构相当的效果，在长空间范围内检测相互依赖的视觉特征上表现出色。

    May, 2018