超级会员免费看
神经网络技术在边界值问题及多非相同耦合混沌系统同步控制中的应用
1. 神经网络技术在边界值问题中的应用
1.1 基础方法与误差函数
在处理边界值问题时，对于线性问题，使用基本解作为函数基是合理的。在某些任务中，异构神经网络最为有效。例如，在构建微分方程的参数解时，常使用变量依赖为高斯型、问题参数依赖为Sigmoid型的基元。
利用相关方程和条件，可得到离散形式的误差函数：
[
J(A, c, B, d) = \sum_{i = 1}^{M} \left( \sum_{j = 1}^{n} \delta_j \left[ F_j \left( t_i, \hat{y}(t_i), \frac{d\hat{y}}{dt}(t_i), \hat{z}(t_i) \right) \right]^2 + \sum_{j = 1}^{n} \gamma_j \left[ G_j \left( t_i, \hat{y}(t_i), \hat{z}(t_i) \right) \right]^2 + \sum_{j = 1}^{n} \beta_j \left[ H_j \left( \hat{y}(0), \hat{z}(0), \hat{y}(T), \hat{z}(T) \right) \right]^2 \right)
]
其中，(\delta_j)、(\gamma_j)、(\beta_j) 是正的惩罚系数，({t_i}_{i = 1}^{M}) 是测试点集合，其随机分量假定在区间 ([0, T]) 上均匀分布。网络权重通过最小化误差函数来确定。为避免最小化过程在局部极小值处中断，在最小化算法的几次迭代后，会定期对测试点进行重新生成。
订阅专栏 解锁全文
扫一扫
1215
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
