神经网络与摩擦:滑动、保持、学习
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
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
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
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
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
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
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
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