...未来建筑能耗模型——融合物理先验的模块化深度神经网络
表1:不同建筑能耗模型的比较。最后,作者从建模工作量、数据需求量、计算效率、模型复杂性、物理一致性和可扩展性对ModNN和三种传统的建筑能耗模型进行了讨论,分析比较了他们在能耗预测、温湿度模拟、建筑节能改造和优化控制优缺点。并总结归纳了包括建筑能源系统优化控制、建筑-电网用电规划-需求响应、建筑翻新改造、...
基于神经网络界面粘弹性本构模型的热固性复合材料零件变形预测
通过将基于神经网络的固化动力学模型与传统的扩散固化动力学模型进行预测结果比较,可以发现神经网络模型能够更准确地预测固化状态变量和残余应力分布,从而更真实地反映复合材料零件的变形行为。此外,神经网络模型还可以更有效地捕捉工艺条件对固化行为的影响,为优化工艺参数和降低制造缺陷提供更可靠的依据。图5Z形零件及其...
机器智能为什么会出现机器幻觉?|算法|拟合|大模型|神经网络_网易...
缺点:如果模型设计不当,或者训练数据不足,可能导致模型在特定条件下产生错误的输出。例如,网络在训练时对某些特征过拟合,可能在测试时产生幻觉。多内层神经网络中的线性函数与激活函数共同作用,形成了模型学习的基础。线性函数提供了基础的特征提取能力,而激活函数则引入了非线性特性,使得网络能够捕捉复杂的模式。然而,...
科学家为脉冲神经网络引入新架构,为未来基于神经形态网络的超大...
目前,神经形态计算领域面临这样一个严峻的现实问题:相比传统的人工神经网络算法,脉冲神经网络算法在任务性能上远远不及前者,很难满足各种复杂场景的需求。对于边缘计算场景来说,往往要满足低功耗、低时延的要求。而一旦解决脉冲神经网络在算法层面的性能问题,再结合神经形态芯片的优势,神经形态计算的优势将能得到极大凸显。
Transformer神经网络:GPT等AI大模型的基石
Transformer模型在自然语言处理任务中取得了显著的成果,我们来总结下它的优缺点。优点:并行计算:由于没有使用RNN(循环神经网络),可以并行处理序列数据,提高计算效率。长距离依赖:通过自注意力机制,能够捕捉到序列中的长距离依赖关系。可解释性:通过注意力权重,可以直观地理解模型在做决策时关注的区域。模型性能:在许...
量化专题 · 几种神经网络模型预测效果对比及简析
我们加入池化层,并采用多步预测的方式,得到如下预测结果(www.e993.com)2024年10月24日。此模型的缺点是,只能在固定“形状”的窗口上进行。2.4卷积神经网络下图是卷积神经网络的预测情况及参数情况,可以看到在参数总数规模类似的情况下,从选取的窗口来看,卷积神经网络的预测效果要好于多步多层神经网络。
小模型大突破!神经网络透视空间异质性,准确描述复杂地理现象
为解决抽象的「空间邻近性」无法构造损失函数、神经网络难以训练等问题,我们还将OSP与地理神经网络加权回归方法(GeographicallyNeuralNetworkWeightedRegression,GNNWR)进一步结合,构建了osp-GNNWR模型,通过解算因变量与自变量的空间非平稳回归关系实现神经网络的训练。最终,该模型被证明具有更好的全局性能,能...
人工智能往事:大模型的理论基础,曾一度被判死刑
作为人工智能的先驱,明斯基的著作在该领域有巨大的影响力,且他对单层神经网络缺点的论证几乎无懈可击,这在当时人们的头脑中烙下思想钢印:“神经网络连最基本的逻辑运算都无法完成,更不可能具有智能。”从此之后,研究者对神经网络研究的热情大减,甚至视之为人工智能研究的“异端”。由于在学术论战中落败,罗森布拉特...
基于GA-BP模型的短时交通流预测算法研究与实现
1.BP神经网络模型BP神经网络是一种多层前馈神经网络,能够通过在信号和误差的传播过程中不断更新网络的权重和阈值来逼近高度非线性函数。网络通常有三层:输入层、隐藏层和输出层,如图5示。图5BP神经网络拓扑图BP网络中,i,j分别表示输入层,隐含层,xi表示输入层的某个节点,n,m分别表示输入层,隐含层的节点数...
AI 又一突破!新型神经元网络模型问世:更强的环境感知,更好的人脑...
01FlatironInstitute和印第安纳大学的研究团队发现,尽管人工神经网络在某种程度上模仿人脑神经系统的信息处理功能,但仍有很大差距。02他们开发了一种新型神经元网络模型DD-DC,证明单个神经元对周围环境的控制力比之前想象的更强。03DD-DC神经元网络模型可能有助于提高许多机器学习应用的性能和效率,但计算需求较高...