期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
HT-PeRCNN:基于Hessian矩阵迹权重的物理编码递归卷积神经网络
1
作者 伏倩 《现代信息科技》 2025年第11期25-32,37,共9页
近年来,物理信息神经网络作为一种基于深度学习的偏微分方程求解方法,在多个领域取得了显著进展。然而,物理信息神经网络仍然存在训练效率低以及推理速度慢等问题。针对这些问题,该研究提出了一种基于Hessian矩阵迹权重的物理编码递归... 近年来,物理信息神经网络作为一种基于深度学习的偏微分方程求解方法,在多个领域取得了显著进展。然而,物理信息神经网络仍然存在训练效率低以及推理速度慢等问题。针对这些问题,该研究提出了一种基于Hessian矩阵迹权重的物理编码递归卷积神经网络(Physics-encoded Recurrent Convolutional Neural Network,PeRCNN)改进方法,HT-PeRCNN。该方法利用Hessian矩阵迹作为权重调节因子,以优化损失函数的权重分配,提高了模型的稳定性和外推能力。实验结果表明,与PeRCNN相比,HT-PeRCNN在多个PDE求解任务中将方程解的精度提高了50%。 展开更多
关键词 偏微分方程 物理信息神经网络 物理编码递归卷积神经网络 Hessian矩阵迹权重
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部