- 博客(7)
- 收藏
- 关注
RSS订阅原创 实验结果分析
为了说明本文所提出基于深度学习的SIR模型方法的性能，我们比较了闭集合(Close-set Dataset)数据和开集合(Open-set Dataset)数据两种情景下的已确诊Covid19病例的数量的预测值。模型的闭集合数据内拟合是模型估计潜在参数的有效性的重要指标，而开集合数据预测结果则对于政策制定者来说具有重要参考价值。为了使模型具有可比性，我们应用了均方预测误差（MSFE）以及均值绝对百分比误差（MAPE）。均方预测误差（MSFE）以及均值绝对百分比误差（MAPE）的细节可参见4.2.4 模型评估
2021-06-27 18:13:08
2463
原创 LSTM网络结构和Bi-LSTM网络结构对比
RNN通常被用于具有时间依赖性的连续时间序列应用场景，其有能力通过使用以前的数据模式来对当前的数据处理产生影响。同时，RNN有一个训练长期依赖性数据的问题，这是由RNN的变体LSTM解决的。由Hochreiter和Schmidhuber提出的LSTM被用作RNN网络的辅助版本，并通过使用被称为存储单元的隐藏层单元克服了RNN的限制。记忆单元具有自我连接，可以存储网络的时间状态，并通过三个门进行控制，即：输入门、输出门和遗忘门。输入门和输出门的工作是用来控制记忆单元的输入和输出流向网络的其他部分。此外，遗..
2021-06-27 18:07:44
1506
1
原创 LSTM-DSIR方法的实验设置及实验结果分析
数据和数据协议数据库的选用每个组织都有必须存储和管理海量的数据和信息。例如，公司必须为其雇员收集和维护人力资源记录。这些被管理的信息必须在需要的时候可以被使用。一个信息系统是用于存储和处理信息的正式系统。信息系统可以是一组纸箱，其中包含文件夹以及有关如何存储和检索文件夹的规则。在数据成为资产的现代，当今大多数公司都使用数据库来自动化其信息系统。数据库是被视为一个单元的信息的有组织的集合，其目的是收集、存储和检索相关信息，以供运行的应用程序使用。考虑到在数据库管理功能、完整性检查、安全性、一致..
2021-06-27 18:06:36
835
原创 LSTM模型结合动态SIR模型
LSTM和动态SIR模型的结合可以得到的更高阶的非线性以及SIR模型动力学无法解决的变量之间的相互作用。每一次的观测值作为LSTM和SIR模型的输入，其输出用作LSTM模型的输入。两种模型通过生成每次迭代的用作预测的加权模型输出进行交互。公式中的网络输入xtr。由等式中的动态SIR模型的状态变量给出等式所示的输入。分别是变量S，I，R，如等式所示。状态向量x = [S，I，R]通过LSTM网络传播，并产生输出xtr(lF)。结果模型的损失表示为LNS=minRobs-xtrlF,Robs-HiIiD
2021-06-27 18:04:45
652
1
原创 动态SIR模型
动态SIR模型基础SIR模型可以写成带有时间变量的离散形式，如等式（3.5）所示。St+1= St-βItStNIt+1 =It+ βItStN- γItRt+1= Rt+ γIt 等式（3.5）对于给定的时间步长t并假设观察了模型更新的Robs，模型的优化目标为计算成本函数的最小值，成本函数见等式（3.2）:JI= argminIi=t+1t+ τRtobs- HiI, β, γPt-1+windowI- ItQt-1ItDA=argm...
2021-06-27 18:03:23
371
原创 基础SIR模型
基础SIR模型SIR模型由是三个相互关联的非线性常微分方程组成的没有明确解析解的模型系统。SIR模型的动力学公式如等式(3.1)所示：dSdt=-βISNdIdt=-βISN- γI dRdt= γI (等式3.1)其中，S表示为易感人群（Susceptible Population），I表示并未进行隔离的已感染病毒人群（Infected Population），R表示感染后康复的人群（Recovered Population）。模型统计范围内的人群总数...
2021-06-27 18:02:25
3233
原创 机器学习相关理论与技术
机器学习相关理论与技术机器学习理论神经网络和深度学习是近几年计算机科学和技术行业中的热点研究方向，目前它们为信号处理、大数据分析等许多问题提供了很好的解决方案。神经元及其数学模型在神经科学中，通常认为神经元(Nerual)是大脑的基本计算单位。在人的神经系统中，大约可以发现八百六十亿个神经元，它们与大约到个突触是互相连接的。图（2.1）和图（2.2）分别展示了生物系统中神经元的示意图和神经元的数学模型示意图。神经元连接示意图和神经元数学模型示意图在深度学习方法的神经网络概念中
2021-06-27 17:26:58
469
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