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9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：
基于神经常微分方程的水文模型参数优化方法研究
1
作者 覃相钊 梁忠民 +4 位作者 赵建飞 李彬权 段雅楠 胡义明 王军 《湖泊科学》 北大核心 2025年第3期1000-1010,共11页
流域水文模型参数对水文模拟预报的精度具有重要影响。在水文模型的数学表达由差分形式向微分形式发展的背景下,如何利用微分形式水文模型过程连续、时间尺度灵活的特点进行模型参数优化是值得研究的问题。本文提出一种基于神经常微分方... 流域水文模型参数对水文模拟预报的精度具有重要影响。在水文模型的数学表达由差分形式向微分形式发展的背景下,如何利用微分形式水文模型过程连续、时间尺度灵活的特点进行模型参数优化是值得研究的问题。本文提出一种基于神经常微分方程(NODE)的水文模型参数优化方法,将神经网络嵌入水文模型的微分动力系统,使用常微分方程数值求解器正向模拟连续水文过程,计算损失函数并反向传播梯度信息以更新神经网络参数,从而实现水文模型参数优化。以新安江模型为例,设计了理想数值实验和典型流域应用两种验证方案,并与SCE-UA优化方法进行了对比。结果显示,基于NODE优化方法确定的新安江模型参数,与理想参数“真值”的误差平均不超过9.8%;相较于SCE-UA方法,NODE得到的优化参数对流量过程具有更高的模拟精度。研究表明,基于NODE的参数优化方法通过微分方程正向求解和梯度信息反向传播,可有效搜索参数空间,适用于微分形式水文模型的参数优化问题。 展开更多
关键词 神经常微分方程 参数优化 水文模型 深度学习 新安江模型
在线阅读 下载PDF
基于神经常微分方程的机械故障诊断方法
2
作者 郭彪 李志农 《振动工程学报》 北大核心 2025年第8期1756-1763,共8页
针对传统的深度学习故障诊断方法中存在架构可解释性差以及盲目堆叠层数导致的参数增加和内存消耗等问题,将神经常微分方程(neural ordinary differential equations,NODE)引入到机械故障诊断中。搭建面向机械故障诊断的神经常微分方程... 针对传统的深度学习故障诊断方法中存在架构可解释性差以及盲目堆叠层数导致的参数增加和内存消耗等问题,将神经常微分方程(neural ordinary differential equations,NODE)引入到机械故障诊断中。搭建面向机械故障诊断的神经常微分方程网络架构,利用神经网络参数化隐藏状态的导数代替指定隐藏层的离散序列。通过构建故障数据与故障类型的非线性关系,使用常微分方程求解器(ODE solver)完成对不同故障类别的分类任务,形成一种端对端的故障诊断模式。将该方法应用到机械故障诊断领域,搭建特定的神经常微分方程网络模型,通过故障数据的输入完成对不同故障类别的分类任务。将该模型应用到航空发动机主轴轴承故障诊断中,并与残差网络模型的故障诊断方法进行对比。试验结果表明,在确保准确率不降低的情况下,该方法不仅减少了内存消耗,而且将模型参数数量减少了将近五倍。 展开更多
关键词 故障诊断 神经常微分方程 动力学系统 残差网络
在线阅读 下载PDF
图神经常微分方程综述
3
作者 焦鹏飞 陈舒欣 +2 位作者 郭翾 何东晓 刘栋 《计算机研究与发展》 EI CSCD 北大核心 2024年第8期2045-2066,共22页
图神经网络(graph neural network,GNN)是处理图结构数据的强大工具,能够捕捉节点间的复杂关系和特征.但GNN的离散架构导致其在表示图结构、建模图演化、适应不规则数据和计算开销等方面面临诸多挑战.面对这些挑战,神经常微分方程(ordin... 图神经网络(graph neural network,GNN)是处理图结构数据的强大工具,能够捕捉节点间的复杂关系和特征.但GNN的离散架构导致其在表示图结构、建模图演化、适应不规则数据和计算开销等方面面临诸多挑战.面对这些挑战,神经常微分方程(ordinary differential equation,ODE)由于能够模拟系统状态的连续变化,具备“连续深度”的编码和推断能力,被作为解决GNN面临挑战的全新方法而引入.然而,神经ODE是为欧式结构数据设计的,无法直接捕捉图结构特性.因此,提出了图神经ODE,一种将神经ODE与GNN结合的新架构,可以更好地适应图结构数据并充分利用其特性.近年来,图神经ODE相关研究已经深入到图机器学习的各个方向中,引发了新的研究热潮.在此背景下,适时地对图神经ODE研究前沿进行了系统性综述.首先,回顾了GNN的关键优势和面临的诸多挑战,阐述了引入神经ODE并与GNN结合的理论基础和实践意义.随后,详细介绍了图神经ODE的背景和基本概念,并提出了一种新颖的分类方法,在此基础上对当前的相关方法进行了全面描述.然后,介绍了相关研究常用的验证方法,包括下游任务及数据集.进一步,深入探讨了图神经ODE在多个实用领域上的应用.最后,对图神经ODE面临的挑战和未来发展趋势进行了总结和展望. 展开更多
关键词 图机器学习 图神经网络 神经常微分方程 分类体系 综述
在线阅读 下载PDF
基于双路先验自适应图神经常微分方程的交通流预测
4
作者 袁蓉 彭莉兰 +1 位作者 李天瑞 李崇寿 《计算机科学》 CSCD 北大核心 2024年第4期151-157,共7页
准确的交通流量预测是智能交通系统不可或缺的组成部分。近年来,图神经网络在交通流预测任务中取得了较好的预测结果。然而,图神经网络的信息传递是不连续的潜在状态传播,且随着网络层数的增加存在过平滑的问题,这限制了模型捕获远距离... 准确的交通流量预测是智能交通系统不可或缺的组成部分。近年来,图神经网络在交通流预测任务中取得了较好的预测结果。然而,图神经网络的信息传递是不连续的潜在状态传播,且随着网络层数的增加存在过平滑的问题,这限制了模型捕获远距离节点的空间依赖关系的能力。同时,在表示道路网络的空间关系时,现有方法大多仅使用先验知识构建的预定义图或仅使用路网状况构建的自适应图,忽略了两类图结合的方式。针对上述问题,提出了一种基于双路先验自适应图神经常微分方程的交通流预测模型。利用时间卷积网络捕获序列的时间相关性,使用先验自适应图融合模块表示道路网络的空间关系,并通过基于张量乘法的神经常微分方程以连续的方式传播复杂的时空特征。最后,在美国加利福尼亚州4个公开的高速公路流量数据集上进行对比实验,结果表明所提模型的预测效果优于现有的10种对比方法。 展开更多
关键词 交通预测 先验自适应图 图卷积神经网络 神经常微分方程 张量乘法
在线阅读 下载PDF
神经常微分增强数模融合驱动的新能源电力系统空间频率动态响应预测方法
5
作者 蒋翱阳 邱高 +1 位作者 刘俊勇 明巧 《电网技术》 北大核心 2025年第7期2736-2747,I0021-I0029,共21页
大规模低惯量新能源电源并网致使电力系统暂态频率的空间特性显著提升,现有物理模型难以在兼顾低复杂度和高精度的条件下实现节点级频率响应的快速空间预测。对此,提出一种神经常微分增强数模融合驱动的空间频率预测方法。首先,分析电... 大规模低惯量新能源电源并网致使电力系统暂态频率的空间特性显著提升,现有物理模型难以在兼顾低复杂度和高精度的条件下实现节点级频率响应的快速空间预测。对此,提出一种神经常微分增强数模融合驱动的空间频率预测方法。首先,分析电网受扰后发电机节点频率空间特性的演化机理,基于此结合平均系统频率模型构建发电机节点频率响应的低复杂度近似模型。然后,嵌入神经微分方程补偿近似模型误差,从而在保留频率响应状态空间结构的同时,实现发电机节点频率响应的精准预测。最终,结合分频器理论实现全网节点级的频率动态响应轨迹预测。改进IEEE 39节点系统算例验证表明,所提方法的预测误差远低于近似物理模型与纯数据驱动算法,平均计算时间低于100ms,兼顾效率与精度。 展开更多
关键词 频率动态响应 频率空间特性 数模融合驱动技术 神经常微分方程
在线阅读 下载PDF
自适应建模网络动力学的动态链路预测方法
6
作者 郭翾 侯锦霖 +1 位作者 王文俊 焦鹏飞 《计算机科学》 北大核心 2025年第6期118-128,共11页
动态网络链路预测是理解和分析动态网络的核心问题之一。针对链路预测面临的捕获复杂网络结构和真实演化规律等困难的问题,提出了一种融合图神经网络和神经常微分方程的自适应网络动力学建模方法——双层活跃度约束神经常微分方程模型DA... 动态网络链路预测是理解和分析动态网络的核心问题之一。针对链路预测面临的捕获复杂网络结构和真实演化规律等困难的问题,提出了一种融合图神经网络和神经常微分方程的自适应网络动力学建模方法——双层活跃度约束神经常微分方程模型DANOM。DANOM融合节点的重要性和相对位置信息,增强了网络结构的表征;通过节点活跃度约束下的神经常微分方程单元强化了演化规律的学习过程;并在节点活跃度和节点表示的重构损失优化下,挖掘到网络的有效信息。DANOM在多个真实数据集上的多种下游任务中均达到了最优效果,其中在单步链路预测任务中AUC与AP最高分别提升14%和9.7%,在快照缺失情况下的链路预测任务中AUC与AP分别平均仅降低0.43%和0.03%,在用户缝合实验中AUC与AP最高分别提升20.6%和24.4%。 展开更多
关键词 图表示学习 动态网络 链路预测 神经常微分方程 网络动力学
在线阅读 下载PDF
基于短序列时间卷积网络的电梯故障诊断方法
7
作者 陈晗远 陆佳炜 +2 位作者 王琪冰 李仁 肖刚 《现代电子技术》 北大核心 2025年第12期137-147,共11页
电梯故障可能会导致资源和财产损失,还可能引发严重的安全问题。而故障诊断技术可以及时发现并诊断故障,防止受损设备继续运行。神经网络模型在进行振动信号的故障诊断方面有较好性能,但实时性方面仍有不足。针对电梯轿厢的振动信号故... 电梯故障可能会导致资源和财产损失,还可能引发严重的安全问题。而故障诊断技术可以及时发现并诊断故障,防止受损设备继续运行。神经网络模型在进行振动信号的故障诊断方面有较好性能,但实时性方面仍有不足。针对电梯轿厢的振动信号故障诊断准确率不高、输入序列长度较大的问题,提出一种基于短序列时间卷积网络(SA-TCNODE)的故障诊断方法。通过为时间卷积网络增加门控卷积,并引入神经常微分方程来构建更深层的网络,从而在较短的振动信号序列中提取特征,实现局部故障特征的快速提取。此外,引入自注意力机制赋予模型全局特征提取的能力,提高诊断的准确性。实验结果表明,SA-TCNODE算法在样本序列长度为150的情况下,故障诊断准确率达到97.2%;且与其他方法相比,该算法还可以在故障发生后的短时间内检测到故障,具备良好的诊断精度和可靠性,可为电梯故障诊断以及其他类似应用领域提供重要的知识共享和重用的方法支撑。 展开更多
关键词 电梯故障诊断 振动信号 短序列 时间卷积网络 特征提取 样本序列长度 神经常微分方程
在线阅读 下载PDF
基于NODE-UNet++和标记分水岭算法的红细胞图像分割 被引量：4
8
作者 荣亚琪 张丽娟 +2 位作者 崔金利 苏伟 盖梦野 《液晶与显示》 CAS CSCD 北大核心 2022年第9期1190-1198,共9页
对血液涂片图像中的红细胞进行精确分割是一项重要的技术,也是一个难题,主要是因为红细胞经常重叠,没有明显边界。针对此问题,本文提出一种基于U-Net++和神经常微分方程(Neural Ordinary Differential Equations,NODE)的深度学习网络NOD... 对血液涂片图像中的红细胞进行精确分割是一项重要的技术,也是一个难题,主要是因为红细胞经常重叠,没有明显边界。针对此问题,本文提出一种基于U-Net++和神经常微分方程(Neural Ordinary Differential Equations,NODE)的深度学习网络NODE-UNet++用于红细胞的初步分割,再利用标记分水岭算法分割血液涂片图像中的粘连红细胞。首先对图像进行裁剪和标注,突出待分割区域;然后应用新的语义分割体系结构NODE-UNet++对预处理后的图像进行初始分割得到概率灰度图;最后采用标记分水岭算法将灰度图中的粘连红细胞分离,得到最终红细胞分割结果图。实验结果表明,Dice系数达到96.89%、平均像素准确率达到98.97%、平均交并比达到96.33%。通过对不同血液涂片图像的分割结果表明,该方法能高效精确地提取每个红细胞,满足后续红细胞图像处理的需求。 展开更多
关键词 图像分割 红细胞 神经常微分方程 标记分水岭算法
在线阅读 下载PDF
面向数据匮乏城市的下一个POI推荐方法 被引量：1
9
作者 谭海宁 姚迪 +2 位作者 毕经平 向徐 杨啸 《高技术通讯》 CAS 2021年第12期1248-1260,共13页
位置社交网络(LBSN)用户位置数据的分布不均衡,及某些用户出于对隐私安全的考量刻意隐藏自己部分位置信息等因素加剧了兴趣点(POI)推荐难度。就此本文提出了基于元学习的时空神经常微分方程(ML-ODE)来进行有效的下一个POI推荐。该模型... 位置社交网络(LBSN)用户位置数据的分布不均衡,及某些用户出于对隐私安全的考量刻意隐藏自己部分位置信息等因素加剧了兴趣点(POI)推荐难度。就此本文提出了基于元学习的时空神经常微分方程(ML-ODE)来进行有效的下一个POI推荐。该模型主要是将元学习的思想融入到POI推荐过程中,通过不同任务训练优化初始参数,将数据丰富城市中的泛化移动模式迁移到数据匮乏城市,达到优化POI预测任务的目的。该模型将神经常微分方程用于POI推荐领域,定义连续的动态过程,可以接受任意时刻的输入数据,克服了大多数时序推荐模型静态离散化的时间间隔处理方式,更适用于POI序列推荐任务。在真实公开数据集Foursqure上的实验结果表明,ML-ODE在POI推荐方面比当前主流的POI预测方法在NDCG@N指标上提升了超过10%。 展开更多
关键词 兴趣点(POI)推荐 位置社交网络(LBSN) 元学习 神经常微分方程 推荐系统
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部