×
王丽华;叶文静;朱燕娟;杨，范;周跃婷

前馈神经网络中反向传播算法的最优参数选择。 （英语） Zbl 1521.65055号

工程分析。已绑定。元素。 151575-596（2023年）.

MSC公司：

65K10码 数值优化和变分技术
68T07型 人工神经网络与深度学习

关键词：

改进的反向传播算法;损失函数;最佳权重和阈值;汇聚;效率

软件：

LSWR_丢失功能_PINN
PDF格式BibTeX公司 XML格式引用
\textit{L.Wang}等人，《工程分析》。已绑定。元素。151575--596（2023年；Zbl 1521.65055）
全文： 内政部

参考文献：

[1] M.I.乔丹。；Mitchell，T.M.，《机器学习：趋势、前景和展望》，《科学》，349，6245，255-260（2015）·Zbl 1355.68227号
[2] 巴特勒，K.T。；Davies，D.W。；卡特赖特，H。；O.Isayev。；Walsh，A.，《分子和材料科学的机器学习》，《自然》，559，7715，547-555（2018）
[3] 贝尔，J.，什么是机器学习？（2020年），John Wiley&Sons有限公司：John Willey&Sons，Ltd纽约
[4] Furukawa，T。；Hoffman，M.，使用神经网络材料模型进行精确循环塑性分析，《工程分析约束元素》，28，3，195-204（2004）·Zbl 1106.74353号
[5] 刘，Z。；Wu，C.T。；Koishi，M.，用于异质材料多尺度拓扑学习和加速非线性建模的深层材料网络，计算方法应用M，3451138-1168（2018）·Zbl 1440.74340号
[6] Yan，W。；林，S。；卡夫卡，O.L。；Lian，Y。；Yu，C。；刘，Z。；严，J。；沃尔夫，S。；Wu，H。；Ndip Agbor，E.，数据驱动的多尺度多物理模型，用于推导增材制造的工艺结构-特性关系，Comput Mech，61，52521-541（2018）·Zbl 1471.74081号
[7] 曹，X。；熊，Y。；Sun，J。；谢，X。；孙，Q。；Wang，Z.，摩擦电纳米发电机在物联网智能时代的多学科应用，纳米-微米快报，15，1（2023）
[8] 赵，D。；王，Z。；陈，Y。；魏，G。；Sheng，W.，《基于部分神经元的人工神经网络比例积分观测器设计：一种多描述编码方案》，IEEE T Neur Net Lear（2022）
[9] Kats，D。；王，Z。；甘，Z。；刘伟凯。；瓦格纳，G.J。；Lian，Y.，预测定向能量沉积中晶粒结构特征的基于物理的机器学习方法，Comp-Mater SCI，202（2022）
[10] 陈，G。；庄，H。；Liu，X.，用于改进土地模拟的机械模型与细胞自动机的细胞级耦合，Gisci Remote Sens，60，1（2023）
[11] Ye，W。；张，F。；王，L。；Song，X.，基于声发射实验和波网数据恢复的页岩裂缝识别，国际应用力学杂志，14，10（2023）
[12] 加兹维尼，M。；Varedi-Koulaei，S.M。；艾哈迈迪，M.H。；Kim，M.，用于模拟水平管中Al2O3/水纳米流体流动沸腾性能的MLP神经网络优化，Eng-Anal Bound Elem，145363-395（2022）
[13] 肖，T。；刘振国。；卢，L。；Han，H.C。；黄X.Y。；宋，X.Y。；Yang，X.H。；Meng，X.Z.，多通道储热罐固液相变的LSTM-BP神经网络分析，Eng-Anal Bound Elem，146，226-240（2022）
[14] Choudhary，C。；辛格，I。；Kumar，M.，SARWAS:基于情感的推荐系统的深度集成学习技术，专家系统应用，216（2023）
[15] Werbos，P.J.，《超越回归：行为科学中预测和分析的新工具》。哈佛大学论文（1974）：哈佛大学剑桥分校，马萨诸塞州，美国
[16] Werbos，P.J.，《构建和理解自适应系统：工厂自动化和大脑研究的统计/数值方法》，IEEE T系统Man Cy a，17，1，7-20（1987）
[17] Bryson A.E.，Ho Y.C.应用最优控制。纽约布莱斯戴尔，1969年。
[18] Yann，Y.C.，《反向传播的理论框架》（1988年康涅狄格州示范暑期学校会议记录（1988）），21-28
[19] Parker，D.B.，技术报告TR 47（1985），麻省理工学院经济与管理科学计算研究中心
[20] Parker，D.B.，《自适应网络的优化算法：二阶反向传播二阶直接传播和二阶hebbian学习》（IEEE神经网络国际会议论文集（1987）），593-600
[21] Rumelhart，D.E。；辛顿，G.E。；Williams，R.J.，通过错误传播学习内部表征（1985），麻省理工学院出版社：麻省理工学院出版社剑桥
[22] Solso，R.L。；安德森，J.A.E。；Rosenfeld，E.E.，《神经计算：研究基础》，《美国心理学杂志》，105，3，497-498（1992）
[23] 刘，W.K。；卡尼亚达基斯，G。；唐，S。；Yvonnet，J.，《计算力学专题：数据驱动建模和仿真理论、方法和应用》，《计算机械》，64，2，275-277（2019）·Zbl 1476.00073号
[24] Kamarthi，S.V。；Pittner，S.，使用重量外推加速神经网络训练，神经网络，12，9，1285-1299（1999）
[25] 阿迪贡，O。；Kosko，B.，双向反向传播，IEEE T系统Man Cy A，50,1982-1994（2020）
[26] Wang，C.H。；Kao，C.H。；Lee，W.H.，一种改进反向传播神经网络学习性能的新型交互模型，Automat Constr，16，6，745-758（2007）
[27] 德拉戈，G.P。；莫兰多，M。；Ridela，S.，自适应动量反向传播（AMBP），神经计算应用，3，4，213-221（1995）
[28] Siu，S。；Yang，S.S。；Lee，C.M。；Ho，C.L.，使用进化策略改进反向传播算法，IEEE T电路-II，54，2，171-175（2007）
[29] Ng，S.C。；Leung，S.H。；Luk，A.，具有恒定学习速率的快速收敛广义反向传播算法，神经过程Lett，9，1，13-23（1999）
[30] 科利亚斯，S。；Anastassiou，D.，用于有效训练人工神经网络的自适应最小二乘算法，IEEE T电路-II，36，8，1092-1101（1989）
[31] M.T.哈根。；Menhaj，M.B.，用Marquardt算法训练前馈网络，IEEE T神经网络，5，6，989-993（1994）
[32] 弗里斯韦尔，M.I。；彭尼，J.E.T。；Garvey，S.D.，结构损伤位置的遗传和特征灵敏度组合算法，计算结构，69，5，547-556（1998）·Zbl 0941.74080号
[33] 严，C。；李，M。；刘伟。；Qi，M.，基于BP神经网络的车辆保险欺诈识别模型的改进自适应遗传算法，Theor Compute Sci，817，12-23（2020）·Zbl 1435.91165号
[34] 贾，H。；Yu，L。；姜瑜。；赵，H。；Cao，J.，使用遗传算法优化的傅里叶扩展备份传播神经网络补偿旋转编码器，巴塞尔，20，9（2020）
[35] 贾伟。；赵，D。；郑毅。；Hou，S.，一种新的优化GA-Elman神经网络算法，神经计算应用，31，2，449-459（2019）
[36] 肯尼迪，J。；Eberhart，J.R.，粒子群优化，（ICNN95国际神经网络会议论文集（1995），IEEE），1942-1948
[37] 赵，R。；宁，A。；Wang，J。；Liao，L。；胡，B。；Shang，D.，基于粒子群优化的BP神经网络最优参数选择：风速预测案例研究，基于知识的系统，56，226-239（2014）
[38] Lin，W.M。；Hong，C.M.，一种用于可调桨距变速风能转换系统的新型Elman神经网络控制算法，IEEE T Power Electr，26，2473-481（2011）
[39] Zhang，Y。；陈，B。；Zhao，Y。；Pan，G.，基于Lorenz扰动的IPSO-BP神经网络风速预测，IEEE Access，653168-53179（2018）
[40] 张伟。；Han，G。；Wang，J。；Liu，Y.，基于动态布谷鸟搜索优化算法的BP神经网络预测模型在工业设备故障预测中的应用，IEEE Access，7，11736-11746（2019）
[41] 布格达，G。；Rodenas，J.J。；Onate，E.，使用进化方法解决结构形状优化问题时低成本自适应重网格策略的集成，计算结构，86，13-14，1563-1578（2008）
[42] 斯托恩，R。；Price，K.，差分进化——连续空间上全局优化的一种简单有效的启发式算法，J global Optim，11，4，341-359（1997）·Zbl 0888.90135号
[43] 李，S。；陈，T。；王，L。；Ming，C.，《PCA支持的有效游客量预测》，并使用百度指数改进BPNN，Tourism Manage，68，116-126（2018）
[44] Leema，北。；香港尼希米亚。；Kannan，A.，针对临床数据集使用带全局信息的差分进化和反向传播算法的神经网络分类器优化，Appl Soft Compute，49，834-844（2016）
[45] Kavzoglu，T。；Mather，P.M.，《反向传播人工神经网络在土地覆盖分类中的应用》，《国际遥感杂志》，24，23，4907-4938（2003）
[46] Haykin，S.S。；Gwynn，R.，《神经网络与学习机器》（2009），中国机械出版社：中国机械出版社北京
[47] Bai，H。；曹琦。；An，S.，Mind进化算法优化，使用反向传播神经网络预测卫星时钟偏差，Sci Rep-UK，13，1，2095（2023）
[48] 赵，Z。；石，D。；Fowmes，G。；Xu，X。；Yue，W。；崔，P。；胡，T。；Yang，C.，预测粘性土-土工膜界面峰值剪切强度的人工智能算法和实验验证，Geotext Geomembles，51，1，179-198（2023）
[49] 马，J。；陈，J。；马修，N。；黄，R。；李毅。；Li，C。；杨，X。；Martel，A.L.，医学图像分割中的失落之旅，《医学图像分析》，71，1（2021）
[50] Bai，J.S。；Rabczuk，T。；古普塔，A。；Alzubaidi，L。；Gu，Y.T.，基于修正损失函数的物理信息神经网络技术，用于计算2D和3D固体力学，计算力学，71，543-562（2023）·Zbl 1521.74404号
[51] 王，L。；王，Z。；Qian，Z.，利用配点和径向基函数进行逆波传播的无网格方法，计算方法应用M，322，1，311-350（2017）·兹比尔1439.74492
[52] 王，L。；钱，Z。；周，Y。；Peng，Y.，使用径向基函数的不可压缩流加权无网格配置方法，计算物理杂志，401，第108964页，（2020）·Zbl 1453.65364号
[53] 王，L。；刘，Y。；周，Y。；Yang，F.，具有平面内材料不均匀性的功能梯度薄壳的静态和动态分析，国际机械科学杂志，193，第106165页，（2021）
[54] Ekeland，I.，《关于变分原理》，数学分析应用杂志，47，22324-353（1974）·Zbl 0286.49015号
[55] Scheurle，J.M.，简化的欧拉-拉格朗日方程，Fields Inst Comm，113-164（1993）·Zbl 0789.70013号
[56] 胡海燕。；Chen，J.S。；胡伟，边值问题的加权径向基配置法，国际数值方法工程杂志，69，13，2736-2757（2007）·Zbl 1194.74525号
[57] 王，L。；王，Z。；钱，Z。；高，Y。；周瑜，利用径向基函数识别逆波问题初始条件的直接配置法，逆问题科学工程，26，12，1695-1727（2018）·兹比尔1428.65036
[58] 王，L。；钱，Z。；王，Z。；高，Y。；Peng，Y.，一种用于反波问题边界条件识别的有效径向基配置方法，国际应用力学杂志，10，1，第1850010页，（2018）
[59] Ezquerro，J.A。；Hernández-Verón，M.A.，《牛顿法从辅助点的全局收敛域》，《应用数学-莱特》，85，48-56（2018）·Zbl 1405.65067号
[60] Thorlund-Petersen，L.，牛顿方法在区间上的全局收敛性，数学方法Oper Res，59，1，91-110（2004）·Zbl 1060.65053号
[61] 霍尔特，R.G。；Schwartz，I.B.，《作为动力系统的牛顿方法：全球收敛性和可预测性》，《物理学报a》，105，7，327-333（1984）
[62] Millidere，M。；美国卡拉曼。；Uslu，S。；卡斯纳科格鲁，C。；乔伊门，T.，《飞机配平中的牛顿-拉斐逊方法：比较研究》（AIAA航空论坛（2020）），3198
[63] 王，L。；钱，Z.，基于再生核近似的无网格稳定配置方法（SCM），计算方法应用M，371，第113303条，pp.（2020）·Zbl 1506.65237号
[64] 丁，S.F。；Su，C.Y。；Yu，J.Z.，基于遗传算法的优化BP神经网络算法，Artif Intell Rev，36，2，153-162（2011）
[65] 沙列夫·施瓦茨，S。；Zhang，T.，反向传播和随机梯度下降法，神经计算，5，4-5，185-196（2013）·Zbl 0782.68094号
[66] 王，L。；Chen，J.S。；Hu，H.Y.，断裂力学的子域径向基配置法，《国际工程数值方法》，83，851-876（2010）·Zbl 1197.74196号
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。