关键词machine-learning approach
搜索结果 - 5
- 利用可分离高斯神经网络学习行进的孤立波
应用机器学习方法,将可解释的神经网络体系结构 SGNN 整合到 PINNs 框架中,以学习各种偏微分方程(PDEs)家族中的行波孤立波。SGNN 架构通过少于十分之一的神经元实现了可比较的准确性,突显其在解决复杂非线性 PDEs 中的效率和 - 大西洋经圈环流的倾斜和崩溃的机器学习预测
通过机器学习方法,我们预测大西洋经向翻转环流系统(AMOC)的潜在崩溃时间窗口在 2040 年至 2065 年之间,这是由于气候变化引起的北大西洋淡水输入的增加导致的,同时还开发了在嘈杂的动力系统中预测临界点的方法。
- 预测维护者和贡献者在拉取请求中的首次响应延迟
我们提出了一种基于机器学习的方法来预测在 Pull Request 提交后维护人员首次响应的延迟以及从维护人员获得首次响应后贡献者的首次响应延迟。我们使用 20 个大型热门开源项目的数据集进行特征提取,并使用七种分类器评估最佳模型。通过我们 - 利用神经多项式方法启用符号回归发现可解释的弹塑性模型
传统的神经网络弹塑性模型缺乏可解释性,本文提出了一个两步机器学习方法,通过符号回归将单变量特征映射转化为可解释的数学模型,从而克服了符号回归算法的缩放问题,并能实现材料属性的自动推导和推理,提高模型的可移植性和人工专家的理解能力。
- 基于模型的机器学习用于联合数字反向传播和 PMD 补偿
提出了一种基于模型的机器学习方法来避免 Manakov-PMD 方程中的极化模色散,通过 LDBP 和分布式补偿来实现对复杂信道状态的学习,训练 LDBP-PMD 可获得最佳信噪比和收敛性能,并可以在不知道复杂信道状态下成功实现 PMD 抵