- 博客(7)
- 收藏
- 关注
原创 LAGRANGIAN NEURAL NETWORKS拉格朗日神经网络
HNN只能使用正则化坐标系且长时间无法保证能量守恒,LNN既可以使用任意坐标系也可以保证能量守恒,通过双摆的角度和能量预测、相对论粒子的速度预测,证明了LNN在保证能量守恒的有效性以及不受坐标系的影响,最后将这种方法应用到了坐标不连通的图网络中。
2024-09-24 14:02:38
1913
原创 A Study on Different Deep Learning Algorithms Used in Deep Neural Nets: MLP SOM and DBN
2.拓扑排序:SOM算法产生拓扑有序的特征图,即神经元在输出格或网格中的空间位置与输入数据的特定域或特征相关。例如,高概率的样本训练数据被映射到输出空间中更重要的区域,因此具有更高的分辨率,而不是输入空间中训练向量以低概率值产生的区域。1.输入空间的近似:输出空间中的特征图,由一组权重向量表示,是对输入空间的公平估计。多层感知机的结构图,包括输入层、隐藏层和输出层,输入变量通过权重矩阵连接到隐藏层,隐藏层的输出再经过权重矩阵连接到输出层。架构图:左侧是DBN的结构示意图,右侧则是其详细的分层结构。
2024-09-20 10:35:31
904
原创 Deep Residual Learning for Nonlinear Regression
Dongwei Chen等:2020.2非线性函数的逼近方法现有的非线性近似技术存在一些局限性,传统的ResNet结构并不适用非线性回归开发一种新的深度学习模型,能够有效近似非线性函数。在ResNet原有结构上,构建了一个新的用于非线性回归的神经网络,将残差快中的卷积层和池化层替换为全连接层,使得新的残差神经网络更适用于非线性回归。
2024-09-19 01:26:33
899
原创 Training deep Boltzmann networks with sparse Ising machines
用稀疏伊辛机训练深度玻尔兹曼网络:2024.6.17。
2024-09-05 13:27:42
1488
原创 Datawhale AI夏令营task2:市场博弈和价格预测的代码理解和模型优化
price = sorted_unit[sorted_unit['cumulative_capacity'] >= demand]["coal consumption (g coal/KWh)"].iloc[0]: 在循环内部,这行代码找到第一个'cumulative_capacity'大于或等于当前需求demand的机组,并获取该机组的'coal consumption (g coal/KWh)'列的值作为价格。这里假设电力市场是按照边际成本定价的,即最后一个满足需求的机组的成本决定了电力价格。
2024-07-30 21:24:30
661
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
RSS订阅