- 博客(9)
- 收藏
- 关注
RSS订阅原创 学习笔记：ResNet（残差网络）详解
那么，网络的精度会随着网络的层数增多而增多吗？下一层的信息是直接由上一层的信息加上一层的信息经过某些操作得到的，也就是说下一层看到的信息基本上看全了上一层所有看到的信息，即在残差结构当中它的信息的传递，信息的损失不是特别的严重。从信息论的角度讲，由于DPI（数据处理不等式）的存在，在前向传输的过程中，随着层数的加深，Feature Map包含的图像信息会逐层减少，而ResNet的直接映射的加入，保证了。从信息传递的方向来说，信息在每层传递的过程当中，它损失的太多了，所以信息传到后面就没办法继续训练了。
2025-03-31 16:21:59
644
原创 基于贝叶斯物理信息的前向和逆向偏微分方程问题的极值学习机及其在含噪数据中的应用
相比于多层深度网络，BPIELM 利用单隐藏层结构和线性求解，显著缩短了训练时间。通过贝叶斯框架获得参数后验，能够量化模型预测的不确定性，为实际应用提供置信区间。先验分布对参数进行约束，有效缓解了噪声数据下的过拟合问题，同时对神经元数量不那么敏感。探索如何将 BPIELM 方法扩展到非线性 PDE 问题，可能需要对模型结构或贝叶斯推断过程进行改进。研究更适合具体物理问题的先验分布，提升模型在特定领域的适用性和准确性。
2025-03-19 17:34:27
908
原创 学习笔记：物理信息神经网络(PINN)
PINN 的强大在于它打破了传统数值方法的限制，将神经网络的非线性拟合能力与物理方程的严谨性结合起来。它在处理高维、数据稀缺、复杂物理约束的场景下尤其出色。当然，PINN 也有收敛慢、梯度消失等挑战，比如，复杂 PDE 可能导致梯度传播困难，收敛慢(梯度消失)、于具有快速变化特征的系统，如冲击波，标准 PINN 可能精度不足，需要改进策略，比如自适应采样或多尺度特征提取。但随着研究深入，这些问题正在不断被解决。物理或化学方程为什么往往是偏微分方程？什么是物理信息神经网络(PINN)?x_%7Bi%7D。
2025-03-11 16:15:42
1185
原创 学习笔记：多尺度注意力小波神经算子在生化系统中捕捉陡坡轨迹
多尺度分析：通过小波分解提取高频突变特征，优于傅里叶变换的全局平滑特性。注意力增强：聚焦关键高频信号，提升对陡峭轨迹的建模能力。物理驱动：减少对标注数据的依赖，增强泛化性。适用于复杂生物化学系统（如细胞周期调控、药物反应动力学），为陡峭动态过程的精准建模提供新工具。
2025-03-07 16:26:30
486
原创 学习笔记：基于小波引导注意力模块和梯度特征融合的皮肤癌分类
论文通过结合小波变换、基于梯度的特征融合和专门设计的SaFA模块，有效地提取了皮肤病变图像的边界与对称性信息，同时捕捉到了图像的语义变化，这对于解决皮肤癌分类中的细微差异问题具有重要意义。该方法为提高皮肤癌的自动诊断精度提供了一条新思路，并为未来如何利用多尺度、多模态特征融合来处理医学图像问题提供了理论和实践依据。论文提到未来需要进一步提升对少数类（如黑色素瘤）的召回率，同时尝试将方法推广至其他医学影像领域，并探索如何将模型轻量化以便实际部署。
2025-03-03 17:51:05
903
原创 一维改进自注意增强卷积神经网络（1D-ISACNN）和经验小波变换（EWT）解析
该论文通过融合EWT信号分解与改进的1D-CNN架构，在轴承故障诊断中实现了高精度与强鲁棒性，为复杂机械系统的智能维护提供了新思路。其方法设计、实验验证与结果分析具有重要参考价值，未来可进一步探索模型轻量化与跨领域应用。1%7D+
2025-02-27 21:33:15
821
原创 情感分析任务的概述
模态（Modality）在一般情况下可以理解为信息的某种传递方式或感知方式。比如人类通过视觉（图像/视频）、听觉（语音/声音）和语言（文本/文字）来感知和交流信息，这些就是不同的模态。在人工智能领域中，模态指的是数据的类别或形式。例如视觉模态（图片、视频等视觉数据）、文本模态（自然语言文本，如新闻、评论或书籍）等。
2025-01-14 17:25:26
570
原创 Anaconda环境的搭建与Python语言的迭代法应用
1）学习Anaconda的下载与安装，并新建环境。学习在Anaconda下安装库并完成环境的配置。2）用Python 语言实现水藻生长的迭代法应用假设在空池塘中放入一颗水藻，该类水藻会每周长出三颗新的水藻，问十周后，池塘中有多少颗水藻？第1周的水藻数量：1；第2周的水藻数量：1+1×3；第3周的水藻数量：1+1×3+(1+1×3)×3 …可以归纳出从当前周水藻数量到下一周水藻数量的迭代关系式。
2025-01-13 10:34:24
267
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人