×
蒲俊才;陈勇

Yajima-Oikawa系统的数据驱动正向问题，使用带参数正则化的深度学习。 （英语） Zbl 1523.76019号

Commun公司。非线性科学。数字。模拟。 118，文章ID 107051，19 p.（2023）.
摘要：我们研究了Yajima-Oikawa（YO）系统的数据驱动正向问题，采用了两种技术来改进深度物理信息神经网络（PINN）的性能，即神经元局部自适应激活函数和模参数正则化。实际上，我们不仅在YO系统正问题的三种不同初边值条件下恢复了三种不同形式的矢量流氓波（RW），包括亮右RW、中间右RW和暗右RW，而且还利用不同噪声强度的训练数据研究了YO系统的反问题。为了解决PINN中仅使用局部自适应激活函数的带噪声干扰训练数据学习未知参数的能力不理想的问题，我们引入了（L^2）范数正则化，它可以使权重更接近原点，转换为具有本地自适应激活功能的PINN。然后我们发现，通过使用带噪声干扰的训练数据来研究YO系统的逆问题，具有两种策略的PINN模型显示出惊人的训练效果。

引用于5文件

MSC公司：

76B15号机组 水波、重力波；色散和散射，非线性相互作用
76M99型 流体力学的基本方法
76米21 流体力学中的反问题
68T07型 人工神经网络与深度学习

关键词：

深层物理信息神经网络;矢量流氓波;神经元局部自适应激活函数;中间右游荡波;暗黑流氓波;噪声干扰

软件：

DiffSharp（差异锐化）;L-BFGS公司;达奇;亚当;FPIN编号
PDF格式BibTeX公司 XML格式引用
\textit{J.-C.Pu}和\textit{Y.Chen}，Commun。非线性科学。数字。模拟。118，文章ID 107051，19 p.（2023；Zbl 1523.76019）
全文： 内政部 arXiv公司

参考文献：

[1] 辛顿，G.E。；Osindero，S。；Teh，Y.，深度信念网络的快速学习算法，神经计算，18，17，1527-1554（2006）·Zbl 1106.68094号
[2] LeCun，Y。；Y.本吉奥。；Hinton，G.E.，《深度学习》，《自然》，521436-444（2015）
[3] 曹晓勇。；姚，J。；徐，Z.B。；Meng，D.Y.，利用卷积神经网络和主动学习进行高光谱图像分类，IEEE Trans Geosci Remote Sens，58，7，4604-4616（2020）
[4] 辛顿，G.E。；邓，L。；Yu，D。；Dahl，G.E。；穆罕默德，A。；Jaitly，N.，《语音识别中声学建模的深度神经网络：四个研究小组的共同观点》，IEEE Signal Process Mag，29，6，82-97（2012）
[5] 李，G.F。；Yang，Y.F。；Qu，X.D.，《雾霾天气行人检测的深度学习方法》，IEEE Trans-Ind-Electron，67，10，8889-8899（2020）
[6] 曾，纽约。；李，H。；王，Z.D。；Liu，W.B。；刘S.M。；Alsaadi，F.E.，基于深度信息学习的图像分割用于金免疫层析条定量分析，神经计算，425，15，173-180（2021）
[7] Zhang，J.M。；Wang，W。；吕春秋。；Wang，J。；Sangaiah，A.K.，《用于交通标志分类的轻型深层网络》，Ann Telecommon，75，369-379（2020）
[8] 科洛伯特，R。；韦斯顿，J。；博图，L。；卡伦，M。；Kavukcuoglu，K。；Kuksa，P.，《从头开始的自然语言处理（几乎）》，J Mach Learn Res，122493-2537（2011）·Zbl 1280.68161号
[9] Alipanahi，B。；德隆，A。；Weirauch，M.T。；Frey，B.J.，《通过深度学习预测DMA和RNA-结合蛋白的序列特异性》，《国家生物技术》，33，831-838（2015）
[10] Sun，X.D。；吴，P.C。；Hoi，S.C.H.，《使用深度学习的人脸检测：改进的更快RCNN方法》，神经计算，29942-50（2018）
[11] Shao，Z.F。；Wang，L.G。；王Z.Y。；杜，W。；Wu，W.J.，用于监控视频中船舶检测的Saliency-ware卷积神经网络，IEEE Trans Circuits System video Technol，30，3，781-794（2020）
[12] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，Physics-informed neural networks:a deep learning framework for solution forward and inverse problems including normal partial differential devices，J Comput Physis，378，686-707·Zbl 1415.68175号
[13] Haykin，S.，《神经网络和学习机器》（2008），Prentice-Hall出版社：纽约Prentice-Hall出版社
[14] 霍尼克，K。；Stinchcombe，M。；White，H.，多层前馈网络是通用逼近器，神经网络，2，5，359-366（1989）·Zbl 1383.92015年
[15] Rumelhart，D.E。；辛顿，G.E。；Williams，R.J.，通过反向传播错误学习表征，《自然》，323533-536（1986）·Zbl 1369.68284号
[16] Ruder，S.，梯度下降优化算法概述（2017），arXiv:1609.04747v2
[17] 金玛，D.P。；Ba，J.L.，Adam：随机优化方法（2014），arXiv:1412.6980v9
[18] 刘博士。；Nocedal，J.，《关于大规模优化的有限内存BFGS方法》，《数学程序》，45，503-528（1989）·Zbl 0696.90048号
[19] Baydin，A.G。；Pearlmutter，B.A。；Radul，A.A。；Siskind，J.M.，《机器学习中的自动差异化：一项调查》，J Mach Learn Res，18，1-43（2018）·Zbl 06982909号
[20] 拉加里斯，I.E。；利卡斯，A。；Fotiadis，D.I.，用于求解常微分方程和偏微分方程的人工神经网络，IEEE Trans Neural Netw，9，5，987-1000（1998）
[21] Karniadakis，G.E。；Kevrekidis，I.G。；卢，L。；佩迪卡里斯，P。；Wang，S.F。；Yang，L.，《基于物理的机器学习》，Nat Rev Phys，3422-440（2021）
[22] 莱斯，M。；Babaee，H。；Givi，P.，《湍流标量混合的深度学习》，Phys-Rev Fluids，4，第124501条，pp.（2019）
[23] Pang，G.F。；卢，L。；Karniadakis，G.E.，FPINNs:分数物理信息神经网络，SIAM科学计算杂志，41，4，A2603-A2626（2019）·Zbl 1420.35459号
[24] 毛泽东。；雅格塔普，A.D。；Karniadakis，G.E.，《高速流动的物理信息神经网络》，计算方法应用机械工程，360，第112789页，第（2020）条·Zbl 1442.76092号
[25] 蔡S.Z。；王，Z.C。；Wang，S.F。；佩迪卡里斯，P。；Karniadakis，G.E.，用于传热问题的物理信息神经网络，《传热杂志》，143，6，文章060801，pp.（2021）
[26] 古德费罗，I.J。；Y.本吉奥。；Courville，A.，《深度学习》（2016），麻省理工学院出版社：麻省理学院出版社剑桥·Zbl 1373.68009号
[27] 雅格塔普，A.D。；川口，K。；Karniadakis，G.E.，《自适应激活函数加速深度和物理信息神经网络的收敛》，《计算物理杂志》，404，第109136页，（2020年）·Zbl 1453.68165号
[28] 雅格塔普，A.D。；川口，K。；Karniadakis，G.E.，深度和物理信息神经网络斜率恢复的局部自适应激活函数，Proc R Soc Lond Ser A Math Phys Eng Sci，476，文章20200334 pp.（2020）·Zbl 1472.68175号
[29] Pu，J.C。；李，J。；Chen，Y.，用改进的PINN方法求解导数非线性薛定谔方程的局域波解，非线性动力学，1051723-1739（2021）
[30] Pu，J.C。；彭伟强。；Chen，Y.，使用改进的PINN方法的导数非线性Schrödinger方程的数据驱动局部波解，波动，107，文章102823 pp.（2021）·兹比尔1524.35597
[31] Poggio，T。；Girosi，F.，《等价于多层网络的学习正则化算法》，《科学》，2474945978-982（1990）·Zbl 1226.92005号
[32] Pu，J.C。；李，J。；Chen，Y.，利用物理约束的深度学习方法求解非线性薛定谔方程的孤子、呼吸波和流氓波解，Chin Phys B，30，Article 060202 pp.（2021）
[33] 彭伟强。；Pu，J.C。；Chen，Y.，PINN对Chen-Lee-Liu方程的深度学习：周期背景下的流氓波，《公共非线性科学数值模拟》，105，第106067页，（2022）·Zbl 1497.35440号
[34] Manakov，S.V.，《关于电磁波的二维稳态自聚焦理论》，Sov Phys-JETP，38，2，248-253（1974）
[35] Benney，D.J.，短波和长波相互作用的一般理论，Stud Appl Math，56，1，81-94（1977）·Zbl 0358.76011号
[36] Yajima，N。；Oikawa，M.，《Sonic-Langmuir孤子的形成和相互作用：逆散射方法》，Progr Theoret Phys，56，6，1719-1739（1976）·Zbl 1080.37592号
[37] 乔尔杰维奇（Djordjevic，V.D.）。；雷德科普，L.G.，《关于毛细引力波的二维包》，《流体力学杂志》，79，703-714（1977）·Zbl 0351.76016号
[38] Zakharov，V.E.，Langmuir波的崩溃，Sov Phys JETP，35，5908-914（1972）
[39] 乔杜里，A。；Tataronis，J.A.，非线性负折射率介质中的长波短波共振，Phys Rev Lett，100，第153905页，（2008）
[40] Grimshaw，R.H.J.，《内引力波包的调制和与平均运动的共振》，《Stud Appl Math》，56，3，241-266（1977）·Zbl 0361.76029号
[41] Funakoshi，M。；Oikawa，M.，《长重力内波和表面重力波包之间的共振相互作用》，日本物理学会，52，1982-1995（1983）
[42] Pu，J.C.（Pu，J.C.）。；Chen，Y.，使用改进的PINN方法的Manakov系统的数据驱动矢量局域波，混沌孤子分形，160，第112182页，（2022）
[43] 吴国忠。；方，Y。；Wang，Y.Y。；吴国忠。；戴春秋，利用修正的PINN预测双折射光纤中矢量光孤子的动力学过程和模型参数，混沌孤子分形，152，第111393页，（2021）·Zbl 1496.35372号
[44] 周克伟（Chow，K.W.）。；Chan，H.N。；Kedziora，D.J。；Grimshaw，R.H.J.，长波短波共振模型的Rogue波模式，日本物理学会杂志，82，第074001页，（2013）
[45] Chen，J.C。；陈，Y。；冯，B.F。；Maruno，K.I。；Ohta，Y.，（1+1）维yajima-oikawa系统的一般高阶流氓波，日本物理学会杂志，87，第094007页，（2018）
[46] Chen，S.H.，Darboux变换和双波共振相互作用产生的暗流氓波状态，Phys Lett A，3781095-1098（2014）·Zbl 1331.35070号
[47] Stein，M.，使用拉丁超立方体采样的模拟大样本特性，技术计量学，29，2，143-151（1987）·Zbl 0627.62010号
[48] Peregrine，D.H.，水波，非线性薛定谔方程及其解，澳大利亚数学学会系列B应用数学，25，1，16-43（1983）·Zbl 0526.76018号
[49] Chen，S.H。；Grelu，P。；Soto-Crespo，J.M.，《长波短波共振介质的暗波和明波解决方案》，《物理评论E》，89（2014），011201（R）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。