修订递归神经网络的结构以消除关于时间的物理信息损失项中的数值导数
原文中文,约200字,阅读约需1分钟。发表于: 。本研究解决了利用递归神经网络(RNN)求解非稳态偏微分方程时,需要数值导数的问题。我们提出了一种新的模型,称为互区间递归神经网络(MI-RNN),通过预测每个区间块的输出实现了时间上的重叠,从而消除了数值导数的需求,并显著提高了解的精确度。
本研究提出了互区间递归神经网络(MI-RNN)模型,解决了利用RNN求解非稳态偏微分方程时需要数值导数的问题,提高了解的精确度。
本研究解决了利用递归神经网络(RNN)求解非稳态偏微分方程时,需要数值导数的问题。我们提出了一种新的模型,称为互区间递归神经网络(MI-RNN),通过预测每个区间块的输出实现了时间上的重叠,从而消除了数值导数的需求,并显著提高了解的精确度。
本研究提出了互区间递归神经网络(MI-RNN)模型,解决了利用RNN求解非稳态偏微分方程时需要数值导数的问题,提高了解的精确度。