【摘 要】
：
基于物理信息的神经网络(Physics-informed Neural Networks,PINN),是一类用于解决有监督学习任务的神经网络,它不仅尽力遵循训练数据样本的分布规律,而且遵守由偏微分方程描述的物理定律.与纯数据驱动的神经网络学习相比,PINN在训练过程中施加了物理信息约束,因此能用更少的数据样本学习得到更具泛化能力的模型.近年来,PINN已逐渐成为机器学习和计算数学交叉学科的研究热点,并在理论和应用方面都获得了相对深入的研究,取得了可观的进展.但PINN独特的网络结构在实际应用中也存在训练缓
【机 构】
：
南京航空航天大学计算机科学与技术学院/人工智能学院 南京211106
论文部分内容阅读
基于物理信息的神经网络(Physics-informed Neural Networks,PINN),是一类用于解决有监督学习任务的神经网络,它不仅尽力遵循训练数据样本的分布规律,而且遵守由偏微分方程描述的物理定律.与纯数据驱动的神经网络学习相比,PINN在训练过程中施加了物理信息约束,因此能用更少的数据样本学习得到更具泛化能力的模型.近年来,PINN已逐渐成为机器学习和计算数学交叉学科的研究热点,并在理论和应用方面都获得了相对深入的研究,取得了可观的进展.但PINN独特的网络结构在实际应用中也存在训练缓慢甚至不收敛、精度低等问题.文中在总结当前PINN研究的基础上,对其网络/体系设计及其在流体力学等多个领域中的应用进行了探究,并展望了进一步的研究方向.
其他文献
为了提高高速气浮电主轴转子动态控制能力,降低喘振,提出基于PID的高速气浮电主轴转子动态控制算法.采用姿态传感器感知的方法,实现对高速气浮电主轴转子物理参数采集,以气动载荷、离心力载荷以及叶片转动的气动力分量等为约束参数;利用姿态误差补偿和喘振自适应控制的方法,进行高速气浮电主轴转子的输出稳定性参数调节;通过PID变结构控制的方法,建立气浮电主轴转子的动力传动系统扭振补偿控制模型,在动力传动系统减振过程中进行姿态及位姿参数的稳定性调节和实时补偿控制,提高高速气浮电主轴转子动态参数调节能力和可靠性控制能力.
基于硬件事件的异常检测是当前防御缓存侧信道攻击的主要手段之一.然而,现有防御机制普遍未考虑攻击者主动隐藏特征时的检测准确度.本文指出可行的侧信道攻击需要满足不可或缺的驱逐操作和严格的攻击频率这两个先决条件,并发现这些攻击约束会导致被攻击的缓存组访问量急剧增加.实验结果表明,相比于SPEC基准程序,侧信道攻击至少会导致2.61倍的访问量.
目标检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用.目前,基于深度学习的YOLOv4检测网络与传统目标检测相比,其检测精度虽然有所提高,但存在网络参数量大、对计算机硬件要求较高等问题.针对于此,本文对YOLOv4网络进行了改进,即采用MobileNetv2与YOLOv4的主干特征提取网络相结合,并利用深度可分离卷积模块,对YOLOv4的PANet和SPP模块中的传统卷积进行了优化,在公开数据集VOC07+12上进行训练,并将训练后的模型在VOC07test数据集上进行分
足球运动在全世界范围内拥有广泛的受众和巨大的市场,利用计算机视觉技术对足球比赛视频进行目标检测,自动识别出球员、足球的位置,可以为进一步的跟踪提供良好的基础,对球队、对转播都有很大的帮助.本文提出了基于注意力机制的神经网络足球视频目标检测方案,通过搭建使用注意力机制的深度神经网络,并在足球相关数据集上进行训练,实现了对目标较为完整、准确的检测,为进一步的跟踪提供了帮助.
集值决策表拓展了经典决策表,但其现有属性约简算法中属性重要度度量方式单一.针对集值决策表,采用近似条件熵提出属性约简及其启发式约简算法.将近似精度与条件信息熵进行信息融合,定义近似条件熵,证明粒化单调性等性质;提出基于近似条件熵的属性约简,设计启发式约简算法;采用集值决策表实例与数据实验进行有效验证.实验结果表明:与现有算法相比,提出算法不仅能够得到更优的约简结果,而且具有更高的分类精度.
AMOLED生产工艺复杂,在生产过程中容易受环境、化学气体、液体洁净度及设备工艺参数的影响,在玻璃面板上形成大小不均的点状不良.当面板上出现大量不良点聚集时,会导致该面板直接报废,影响产品的最终良率.本文方法结合机器学习与图像处理技术,可实现不良坐标点MAP图的在线智能分析.采用层次聚类算法对不良坐标点进行聚集分类,对每类离散点簇采用Alpha Shapes算法提取其外轮廓点;通过图像区域拟合算法,拟合出每类点簇的最小包围图形区域,并计算图形的Hu几何矩,推导出各区域的区域特征(区域点密度、面积、区域的质
在新物流背景下,本文针对同城配送存在的成本和服务等问题,搭建同城配送云平台.首先,就“互联网+”时代“新物流”的背景进行阐述;其次,以线下到线上O2O模式的线下配送为例,分析现有同城配送方式的优缺点;最后,在“新物流”背景下基于大数据、人工智能、云计算等技术构建同城配送云平台体系,以期满足日渐增长的经济发展和消费者服务需求,为同城配送提供更好的运营模式.
生活垃圾图片背景复杂,同一类垃圾特征差异性大,给垃圾检测带来了极大的挑战.为实现复杂场景下生活垃圾的实时检测,论文提出了一种基于改进YOLOv3的生活垃圾检测算法RB-YOLO.在该垃圾检测模型中,将YOLOv3与轻量级卷积神经网络RepVGG相结合,解耦模型训练和推理,在保证特征提取能力的同时提高模型推理速度.采用加权双向特征金字塔网络BiFPN优化原有的特征金字塔结构,通过双向特征融合充分利用多尺度语义特征.同时引入空洞空间金字塔池化ASPP增强特征提取,获取多尺度特征信息.在提出的DGD数据集上进行
针对基于RNN的神经网络语音合成模型训练和预测效率低下以及长距离信息丢失的问题,提出了一种基于BERT的端到端语音合成方法,在语音合成的Seq2Seq架构中使用自注意力机制(Self-Attention Mechanism)取代RNN作为编码器.该方法使用预训练好的BERT作为模型的编码器(Encoder)从输入的文本内容中提取上下文信息,解码器(Decoder)采用与语音合成模型Tacotron2相同的架构输出梅尔频谱,最后使用训练好的WaveGlow网络将梅尔频谱转化为最终的音频结果.该方法在预训练B
随着出行者对交通信息的预期依赖的增加,构建和发展更为精准的交通流预测模型显得更加具有实际意义.ARIMA模型作为常见的时间序列处理工具被广泛应用于各个领域.然而,ARIMA预测模型构建是建立在平稳时间序列基础上的,但是其实建立在一元变量的基础上,并且在具体的模型构建过程中一元变量还通常会因差分而造成有用数据信息的丢失,影响最终预测结果.为此,本文考虑通过引入新的参数来弥补传统模型因差分造成信息丢失,构建基于交通流短期预测的ARIMAX模型.利用构建的ARIMAX模型对5天的交通流量进行预测,仿真显示模型的