||
应用领域:机械、经济、航空航天、电力电子、能动、材料、化学、生物等。
帮你解决科研中遇到的难题!下载即用(开源代码)
1.你需要做预测、分类或回归吗?
方法论中,CR-PNN帮你解决!
2.你需要估计系统参数、分析实验数据之间的相互作用关系吗?
方法论中,因果谱帮你解决!
3.你需要提高系统的在线运行速度吗?
方法论中,CR-PNN运行速度是传统神经网络的5-10倍!
4.你需要增加系统鲁棒性吗?
方法论中,CR-PNN具有可控的精度!
5.你需要去除系统中不相关成分吗?
方法论中,系统滤波器帮你解决!
方法论讲解视频截图如下:
原始视频见B站:https://www.bilibili.com/video/BV1VC4y1W7rQ
注:使用过程中有代码问题可及时联系刘刚,欢迎咨询。为了作者发展规划:为区分其他转化方法,类比于傅里叶命名:Gang 系统分析方法论: Gang转化(CR-PNN)、Gang因果谱、Gang系统滤波器
--------------------------------------------------------------------------------------------------------
------------------------以下介绍文字过多,且包含一些专业词汇,大家可以直接看视频(祝大家都有所得)------------------------------------------------------------------------------------------------------------------------------
--------------------------------------------------------------------------------------------------------
Gang系统分析方法论导读
自古以来,人们执着于信号的分解。即:利用卷积抽取单一信号中的各种成分,如:傅里叶变换、小波变换。
尽管信号分解理论已经相对成熟,却一直没有方法实现对整个系统因果关系的抽取与分解。Gang系统分析方法论就是解决此基础问题。
1. Gang转化(CR-PNN)
几十年来,系统参数估计和实验结果之间的相互作用关系一直是多个领域的经典问题。近年来,神经网络凭借能够实现复杂非线性关系的映射,在各个领域兴起。然而,它却存在一个致命问题— “黑箱”本质。【人们无法理解神经网络内部结构。】
Gang转化是一种新型的可读性神经网络,我们叫它CR-PNN。相比于传统神经网络,它不再是经典单神经元模式(权值与输入相乘相加->非线性映射),而是新型层神经元模式(层权值与上层输入相乘->与初始输入点乘)。【优势:1.精度可控;2.结构可读;3.运行速度提高5-10倍。】
CR-PNN可以通过设定L调整精度,凭借训练将复杂系统或实验结果的映射关系存储到它的权值W中,进而完成Gang转化。
Gang转化(CR-PNN)
1. Gang因果谱
几个世纪以来,傅里叶频谱在各个领域都有重要应用。从本质上来说,傅里叶频谱是原函数进行三角函数分解得到的振幅谱。
除了三角分解外,大家还记得另一个著名的分解方法吗?泰勒展开式(考研同学应该更清楚)。泰勒展开式本质是多项式分解——将原函数分解成一系列多项式组合。然而,目前泰勒展开式一直在数学书里“沉睡”。这里,我们去将它“唤醒”,构成一个表达输入与输出关系的多项式谱或因果谱。
关于因果谱,我们给出两种解释:1)因果谱表示输入变量对输出变量的影响,其影响包含不同阶数的独立效应和交互作用效应;2)著名分解:a.三角分解发展成了信号的傅里叶频谱,b.多项式分解可以发展成系统的因果谱。
因果谱 查询表(自动生成)
1. Gang系统滤波器
滤波器是用来去除干扰成分并保留所需成分的工具。 在以往的使用中,滤波器通常用于信号处理。此处我们提出系统滤波器,即:去除系统干扰关系并保留所需关系。具体使用方法也非常简单:首先.将因果谱中欲去除的关系项置零且所需关系项保持不变。然后,将处理后的因果谱与查询表点乘即可。
最后,欢迎大家使用。 如使用我们的方法,请引用所给三篇文章。不胜感激!
开源代码:GitHub: https://github.com/liugang1234567/CR-PNN#cr-pnn
文章链接:
1.https://ui.adsabs.harvard.edu/abs/2020arXiv200403955L/exportcitation
2.https://ui.adsabs.harvard.edu/abs/2020arXiv200411910L/exportcitation
3.https://www.preprints.org/manuscript/202004.0538/v1
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-10-19 22:08
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社