@第{条CiCP-32-980，author={Sheng，Hailong和Yang，Chao}，title={PFNN-2:解偏微分方程的区域分解无惩罚神经网络方法}，journal={计算物理中的通信}，年份={2022}，体积={32}，数字={4}，页数={980--1006}，抽象={提出了一种新的无惩罚神经网络方法PFNN-2，用于求解偏微分方程，这是我们先前提出的PFNN方法的后续改进[1]。PFNN-2继承了PFNN在处理自共轭的平滑约束和基本边界条件方面的所有优点复杂几何形状的问题，并将应用扩展到更广泛的范围非自伴含时微分方程。此外，PFNN-2引入了重叠区域分解策略，以大幅改善训练效率不牺牲准确性。一系列实验结果偏微分方程的研究表明，PFNN-2在数值计算等各个方面都优于最先进的神经网络方法准确性、收敛速度和并行可扩展性。
},issn={1991-7120}，doi={https://doi.org/10.4208/cicp.OA-2022-0114},url={http://global-sci.org/intro/article_detail/cicp/21136.html}}
今天T1-PFNN-2:一种解偏微分方程的区域分解无惩罚神经网络方法阿盛、海龙AU-Yang、ChaoJO-计算物理通信VL-4级SP-980型EP-10062022年上半年DA-2022/10年序号-32做-http://doi.org/10.4208/cicp.OA-2022-0114UR-（欧元）https://global-sci.org/intro/article_detail/cicp/21136.htmlKW-神经网络，无惩罚方法，区域分解，初边值问题，偏微分方程。AB公司-提出了一种新的无惩罚神经网络方法PFNN-2，用于求解偏微分方程，这是我们先前提出的PFNN方法的后续改进[1]。PFNN-2继承了PFNN在处理自共轭的平滑约束和基本边界条件方面的所有优点复杂几何问题，并将应用范围扩展到更广非自伴含时微分方程。此外，PFNN-2引入了重叠区域分解策略，以大幅改善训练效率不牺牲准确性。一系列实验结果报道了偏微分方程，表明PFNN-2在数值计算等方面优于最新的神经网络方法准确性、收敛速度和并行可扩展性。
Hailong Sheng和Chao Yang。(2022). PFNN-2：一种解偏微分方程的区域分解无惩罚神经网络方法。计算物理中的通信.32(4).980-1006.doi:10.4208/cicp。OA-2022-0114号文件
复制到剪贴板
