神经网络_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

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。

阅读 2.3k

15赞

基于超启发鲸鱼优化算法的混合神经网络多输入单输出回归预测模型 HHWOA-CNN-LSTM-Attention HHWOA-CNN-LSTM-Attention模型通过将超启发鲸鱼优化算法（HHWOA）与卷积神经网络（CNN）、长短时记忆网络（LSTM）和注意力机制相结合，旨在提高回归预测的精度和稳定性。超启发鲸鱼优化算法（HHWOA）：这是一种用于全局优化的算法，能够优化神经网络的结构和参数，提升训练过程的效率。卷积神经网络（CNN）：用于提取输入数据中的空间特征，对于图像数据或时序数据中的局部模式非常有效。长短时记忆网络（LSTM）

阅读 1.4k

22赞

如何在matlab中训练自己的神经网络在研究中，通常需要创建自己的神经网络，来完成预测，回归，分类等任务。学会使用matlab中的工具箱十分重要。

阅读 882

23赞

PyTorch生成式人工智能实战（1）——神经网络与模型训练过程详解在本节中，我们介绍了传统机器学习与人工神经网络间的差异，并了解了如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现了反向传播以优化权重达到最小化损失值的目标。并实现了网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。

阅读 2.3k

112赞

人工神经网络——径向基函数(RBF)神经网络_径向基神经网络第二层为隐藏层，隐藏层节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数，具体的局部响应体现在其可见层到隐藏层的变换跟其它的网络不同。《43案例分析》中介绍：径向基函数的激活函数是以输入向量和权值向量（注意此处的权值向量并非隐藏层到输出层的权值，具体看下面的径向基神经元模型结构）之间的距离||dist||作为自变量的。输出层神经元的作用函数为线性函数，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。

阅读 1.9k

9赞

天一生水water

Deepseek:物理神经网络PINN入门教程物理信息网络（Physics-Informed Neural Networks, PINN）是一种将物理定律（如偏微分方程、守恒定律等）嵌入神经网络训练过程的深度学习方法。其核心思想是通过神经网络同时拟合观测数据并满足物理约束，从而解决传统数值方法难以处理的高维、噪声数据或复杂边界条件问题。

阅读 4.4k

24赞

浅层神经网络：全面解析（扩展）前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，可以分享一下给大家。点击跳转到网站。

阅读 6.6k

54赞

毕习沙Eudora

SD-Latent-Interposer：实现不同稳定扩散模型间互操作的神经网络 SD-Latent-Interposer：实现不同稳定扩散模型间互操作的神经网络 SD-Latent-Interposer A small neural network to provide interoperability between the latents generated by the different S...

阅读 920

26赞

使用 PyTorch 搭建 BP 神经网络进行客户流失预测我们定义一个继承自nn.Module的BPNet类来构建 BP 神经网络。return out本文通过使用 PyTorch 搭建了一个简单的 BP 神经网络来进行客户流失预测，从数据准备、模型构建、训练优化到最终评估，完整地展示了整个流程。在实际应用中，可以进一步尝试调整模型结构、超参数（如隐藏层神经元数量、学习率、训练轮数等），或者对数据进行更精细的预处理（如特征工程、归一化等），来提升模型的性能。希望本文能为大家在使用 PyTorch 进行深度学习任务时提供一些参考和帮助。

阅读 3.5k

54赞

Metasurface_AI_

[超表面论文快讯-120] Nature Communications-神经网络驱动柔性智能微波超表面-电子科技大学本研究提出柔性智能表面平台（，实现动态形变下性能高度稳定的柔性可重构超表面。本研究提出柔性智能超表面平台（FISP），由柔性可重构超表面、几何感知模块（GAM）及偏置电压模块（BSM）构成。在可重构超表面（RM）研究中，传统设计虽能实现电磁波动态调控，但受限于静态结构或预设形变条件，难以适应动态形变场景（如气动载荷或环境扰动）。GAM实现超表面形变状态的实时监测，瞬态形变信息输入人工神经网络（ANN）驱动的BSM，自适应确定超表面重构偏置电压，确保FISP在动态形变下的性能稳健性。h) 远场测试系统搭建。

阅读 1.1k

41赞

机器学习与优化算法

数据缺失补全方法综述数据缺失是数据分析和机器学习中的一个普遍问题，可能由于多种原因（如传感器故障、数据录入错误、系统故障等）导致。缺失数据不仅会影响模型的性能，还可能导致错误的推断和决策。为了应对这一挑战，研究者们提出了多种数据缺失补全方法。本文综述了几种常见的缺失数据补全技术，包括简单插补、基于模型的插补、机器学习方法和深度学习方法，并讨论了它们的优缺点及适用场景。

阅读 6.7k

26赞

深度学习入门：从零开始理解神经网络欢迎来到深度学习的世界！如果你是初学者，可能会对这个领域感到既兴奋又有些迷茫。别担心，我会带你一步步走进这个充满魅力的领域。深度学习是人工智能领域的一个重要分支，它通过模拟人脑的神经网络结构来处理数据。深度学习的核心是人工神经网络，它由大量的神经元组成，这些神经元通过复杂的连接传递和处理信息。深度学习在图像识别、语音识别、自然语言处理等领域取得了巨大的成功。例如，智能手机上的语音助手（如Siri和小爱同学）和自动驾驶汽车都依赖于深度学习技术。深度学习的强大之处在于它能够处理复杂的、非线性的数据模式。

阅读 8.6k

176赞

深度学习框架PyTorch——从入门到精通（5）构建神经网络我们通过继承 PyTorch 的nn.Module类来定义自己的神经网络。在__init__这个特殊方法中，我们会初始化网络中需要用到的各个神经层（比如全连接层、卷积层等）。每个继承自·nn.Module·的子类都必须在·forward·方法中定义如何对输入数据进行处理（即实现前向传播逻辑）。nn.ReLU(),nn.ReLU(),# 我们创建一个NeuralNetwork的实例，并将其移动到device和printits结构。# 输出要使用模型，我们将输入数据传递给它。

阅读 1.2k

18赞

液态神经网络技术指南液态神经网络（Liquid Neural Networks，LNN）是一类具有动态内部结构的神经网络，其灵感来源于生物神经系统，尤其是大脑中神经元如何以复杂、非线性的方式响应外部刺激。与传统神经网络不同，液态神经网络的每个神经元在处理输入时，不再是静态线性或非线性变换，而是基于一个微分方程模型进行响应。这种建模方式使神经元的行为具有时间连续性和动态适应性。换句话说，它不仅“记住”过去的信息，还能根据当前环境实时调整自身的动态特性，这对于感知、决策、预测等任务都非常关键。

阅读 2.2k

46赞

手把手教你用Keras Sequential模型搭建神经网络：从零基础到图像分类实战作为一名在人工智能领域摸爬滚打多年的开发者，我经常被问到一个问题：“老哥，我想快速上手深度学习，应该从哪开始？” 答案很简单——Keras的Sequential模型就是你的最佳起点。这个就像搭积木一样的API设计，让构建神经网络变得和拼乐高一样直观。今天我就带大家用最接地气的方式，从安装环境到完成一个完整的图像分类项目，手把手走一遍全流程。

阅读 783

20赞

神经网络权重初始化：正态分布 vs. Xavier初始化 Xavier 初始化是一种专门针对。是标准差（可以调整，例如。的神经网络的初始化方法。，避免梯度消失或爆炸。是上一层的神经元数量。是下一层的神经元数量。

阅读 957

18赞

自组织神经网络在智能电网中的应用智能电网作为未来电力系统的发展方向，旨在实现电力系统的高效、可靠、安全和可持续运行。随着电力系统规模的不断扩大和复杂性的日益增加，传统的数据分析和处理方法已经难以满足智能电网的需求。自组织神经网络（Self-Organizing Neural Network，SOM）作为一种无监督学习的人工神经网络，具有自组织、自适应和可视化等特点，能够有效地处理高维、复杂的数据，为智能电网的数据分析和处理提供了一种新的方法和手段。

阅读 826

33赞

穿梭的编织者

算法系列——有监督学习——8.神经网络神经网络

阅读 1.3k

23赞

智能算法研学社（Jack旭）

智能优化算法应用：社会群体算法优化脉冲耦合神经网络的图像自动分割摘要：本文利用社会群体算法对脉冲耦合神经网络的参数进行优化，以信息熵作为适应度函数，提高其图像分割的性能。

阅读 1.1k

14赞

老板多放点香菜

AI、大数据、机器学习、深度学习、神经网络之间的关系一文讲解AI、大数据、机器学习、深度学习、神经网络之间的关系

阅读 1.5k

23赞

作者推荐

不会学AI: 菜鸡一只，正在努力。

关注

caridle: TA很懒，还没有添加简介

关注

存内计算开发者社区: 专注存内计算

关注

钰见梵星: 某211本985硕蒟蒻，不知名算法竞赛选手，ICPC银牌，CCPC铜牌

关注

fanxbl957: 愿每一次点击，都能带来启发，每一个回复，都能温暖彼此的心房。在这里，我们不仅是过客，更是同行者，共创美好的明天。

关注

Ai墨芯111: 分享Ai前沿知识每日干货让初学者轻松入门资料领取+v公众号【航识无涯学术】回复123即可领取

关注

-_Matrix_-: 尊重知识，尊重价值。

关注

一去不复返的通信er: 北京邮电大学信息与通信工程博士在读

关注

成为深度学习高手: 专注于时间序列预测，专业缝合各模型创新点。为大家提供最新最优秀最好发的创新点，线鱼B站同名！

关注

生瓜蛋子: 生瓜蛋子，还请大家多多指教

关注