排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
深度学习通过多层神经网络对数据进行学习,不仅能揭示潜藏信息,还能很好地解决复杂非线性问题.偏微分方程(PDE)是描述自然界中许多物理现象的基本数学模型.两者的碰撞与融合,产生了基于深度学习的PDE智能求解方法,它具有高效、灵活和通用等优点.文章聚焦PDE智能求解方法,以是否求解单一问题为判定依据,把求解方法分为两类:神经算子方法和类物理信息神经网络(PINN)方法,其中神经算子方法用于求解一类具有相同数学特征的PDE问题,类PINN方法用于求解单一问题.对于神经算子方法,从数据驱动和物理约束两个方面展开介绍,分析研究现状并指出现有方法的不足.对于类PINN方法,首先介绍了基础PINN的3种改进方法 (基于数据优化、基于模型优化和基于领域知识优化),然后详细介绍了基于物理驱动的两类解决方案:基于传统PDE离散方程的智能求解方案和无网格的非离散求解方案.最后总结技术路线,探讨现有研究存在的不足,给出可行的研究方案.最后,简要介绍智能求解程序发展现状,并对未来研究方向给出建议. 相似文献
3.
针对光分组交换网络中光开关插入损耗导致交换跳数受限的问题,基于半导体光放大器四波混频非线性效应,提出了一种两级级联的增益光开关技术思路,可以有效实现光交换后输出信号的增益补偿及形状再生,提高信号质量.利用Opti System仿真平台,优化系统参数,在泵浦光位于信号光中心波长±4 nm范围、泵浦光功率在(3~15)d Bm区间内,增益光交换输出信号通过增益补偿和形状再生相较于一级交换输出信号可实现增益大于25 d B、误码率从10-5提高至10-18、Q因子从4.16提高至8.71的大幅度质量改善.该技术在多跳光分组交换网络中有较大应用前景. 相似文献
4.
5.
6.
1