-
题名具有外部干扰的耦合时滞神经网络固定时间二分同步
被引量：4
- 1
-
-
作者
陈苏浩
刘小洋
谢春丽
王书芹
-
机构
江苏师范大学计算机科学与技术学院
-
出处
《江苏大学学报（自然科学版）》
CAS
北大核心
2021年第6期702-708,共7页
-
基金
国家自然科学基金资助面上项目(61773185,61877030)
2019年江苏省高校青蓝工程项目(苏教师〔2019〕3号)。
-
文摘
针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.
-
关键词
耦合神经网络
结构平衡图
固定时间
二分同步
时滞
外部干扰
非连续激活函数
-
Keywords
coupled neural network
structurally balanced graphs
fixed-time
bipartite synchronization
time delay
external disturbance
discontinuous activation function
-
分类号
O193
[理学—数学]
-
-
题名基于BiLSTM-NFC的地下水埋深预测方法研究
被引量：2
- 2
-
-
作者
刘鑫
韩宇平
刘中培
黄会平
-
机构
华北水利水电大学水利学院
华北水利水电大学测绘与地理信息学院
-
出处
《人民黄河》
CAS
北大核心
2021年第6期80-85,97,共7页
-
基金
国家自然科学基金资助项目(51679089)
水利部“948”项目(201328)。
-
文摘
为了提高地下水埋深预测的精度,提出了双向长短时记忆循环神经网络(BiLSTM)融合非全连接神经网络(NFC)的深度学习模型。使用自适应矩估计优化函数(Adam),耦合双曲正切(Tanh)、软最大逻辑回归(Softmax)和线性整流单元(ReLU)3个激活函数,且将学习率设置为动态的,以黄河下游人民胜利渠灌区1993—2018年的地下水埋深预测为例,将BiLSTM-NFC与BiLSTM、长短时记忆循环神经网络(LSTM)及LSTM-NFC的预测结果进行对比分析。结果表明:双向网络的性能优于单向网络,NFC可以防止过拟合,还能明显降低模型的均方误差(MSE);与BiLSTM、LSTM-NFC和LSTM相比,BiLSTM-NFC的学习能力、稳定性、可靠性及泛化能力最强;BiLSTM-NFC在测试集上的准确率(Acc)可以达到100%,最接近无偏估计,MSE比LSTM的减小96.60%,平均相对误差(MRE)减小85.63%,相关系数(r)增大34.81%;模型在图形处理单元(GPU)上比在中央处理单元(CPU)上训练时间明显缩短,合理设置多种激活函数可以解决单一激活函数的弊端;使用BiLSTM-NFC可以准确地预测地下水埋深的变化情况。
-
关键词
地下水埋深预测
双向长短时记忆循环神经网络
非全连接神经网络
深度学习模型
自适应矩估计优化函数
耦合激活函数
动态学习率
-
Keywords
groundwater depth prediction
bi-directional long short term memory recurrent neural network
non-fully connected neural network
deep learning model
adaptive moment estimation optimization function
coupled activation function
dynamic learning rate
-
分类号
TV211.1
[水利工程—水文学及水资源]
TV551.412
-
