概括
我们介绍了一种新的物理和数据共同监督的神经网络 (PaDCoSNN),用于准确估计高空电磁脉冲 (HEMP) 参数. 这种方法显著减少错误,并显示出强大的概括能力,即使没有基于样本的培训.
科学领域:
- 计算物理学的计算物理.
- 人工智能的人工智能是人工智能.
- 电磁学 电磁学 电磁学 电磁学
背景情况:
- 高空电磁脉冲 (HEMP) 需要准确的参数估计进行分析.
- 传统的人工神经网络 (ANN) 在准确建模像HEMP这样的复杂物理现象方面面临着挑战.
- 现有的方法在输入空间中的样本分布不均,这影响了概括.
研究的目的:
- 提出一个新的物理和数据共同监督的神经网络 (PaDCoSNN) 来从物理参数中估计HEMP数学参数.
- 提高神经网络在建模HEMP特征中的准确性和概括能力.
- 制定一个更具代表性的培训样本生成策略.
主要方法:
- 开发了PaDCoSNN,输入/输出层反映了数值特征.
- 在监督学习的损失函数中嵌入非线性物理方程.
- 实施了双级概率抽样策略,以提高培训数据的代表性.
主要成果:
- 与传统的ANN相比,PaDCoSNN可以减少相对错误的数量.
- 实现的处理时间低于1.5秒.
- 在范围之外的样本上表现出强烈的概括,相对误差低于0.00001,相比之下,ANN高达1.7.
结论:
- PaDCoSNN为HEMP参数估计提供了卓越的准确性和概括性.
- 提出的方法,包括结构性创新和抽样策略,提高神经网络的性能.
- 在没有传统的基于样本的培训的情况下,PaDCoSNN显示了参数估计的潜力,在HEMP分析中开辟了新的途径.
相关概念视频
01:26Applications of EMF Measurements
Electromotive force (EMF) measurements have a broad range of applications in various fields, including chemistry and physics. The electrochemical series, an arrangement of elements in order of their standard electrode potentials, can be determined through EMF measurements. Elements with lower standard potentials can reduce ions of elements with higher standard potentials.The standard cell potential, E°, allows for the calculation of the standard reaction Gibbs energy, ΔG°, and the equilibrium...
01:29Application of Linearization and Approximation
A drone flying through complex terrain often relies on more than one sensing method to estimate small changes in altitude. Along with direct measurements, air pressure provides a useful indirect indicator of vertical movement. Atmospheric pressure decreases as altitude increases, and this relationship is commonly described using an exponential model. Although accurate, converting pressure measurements into altitude values requires calculations that are too complex to perform repeatedly during...