-
公开(公告)号：CN114444012A
公开(公告)日：2022-05-06
申请号：CN202111642962.3
申请日：2021-12-29
Applicant: 东南大学
Abstract: 本发明公开一种基于神经网络架构搜索的偏微分方程数值求解方法，涉及人工智能和数值算法领域，包括如下步骤：步骤1，设置偏微分方程和计算域，将方程信息输入至神经网络；步骤2，设置搜索空间，在搜索空间中搜索求解该偏微分方程的最优神经网络架构；步骤3，重新训练搜索得到的网络模型，获得方程求解结果；同时，本发明在使用时，通过利用神经网络架构搜索算法实现用于偏微分方程求解的神经网络架构的自动构建，降低了偏微分方程神经网络求解方法对先验知识的依赖，同时提高了求解精度，进一步降低了偏微分方程求解的难度和复杂度。
-
公开(公告)号：CN114329320A
公开(公告)日：2022-04-12
申请号：CN202111642884.7
申请日：2021-12-29
Applicant: 东南大学
Abstract: 本发明公开一种基于启发式训练数据采样的偏微分方程数值求解方法，涉及人工智能和数值算法领域包括如下步骤：步骤1，设置偏微分方程和计算域，将方程信息输入神经网络，并训练网络至收敛；步骤2，利用基于启发式算法的训练数据增补采样方法，在误差较大区域循环增补训练数据点，直至满足预设条件；步骤3，完成训练，得到最终求解结果。本发明实现了基于启发式训练数据增补采样的偏微分方程数值求解方法，解决了偏微分方程神经网络求解方法局部求解精度不足的问题，提高了方程求解的精度；同时，本发明在使用时，通过。
-
公开(公告)号：CN116150995A
公开(公告)日：2023-05-23
申请号：CN202310140875.0
申请日：2023-02-21
Applicant: 东南大学
Abstract: 本发明公开了电弧仿真技术领域的一种开关电弧模型的快速仿真方法，包括：先建立电弧模型，给定训练任务集和任务目标集；构造对应的基于元初始化的深度神经网络框架，构造损失函数，构造基于元初始化的元网络，构造损失函数，选取适当的神经网络的参数；对电弧模型进行训练，训练完成后得到权重；将权重设置为网络的初始参数，进行目标任务的训练，从而实现基于元初始化的等离子体方程数值计算，得到神经网络的输出，即对应电弧模型的仿真结果。本发明能够在同种开关电弧模型但参数变化的情况下，更快速地进行模型仿真；对比于传统方法，本发明的仿真方法不依赖网格剖分，可以直接进行模型地仿真，精度更高。
-
公开(公告)号：CN109787214A
公开(公告)日：2019-05-21
申请号：CN201910068217.9
申请日：2019-01-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于直流微电网逆变器的能源路由器及其负荷分配控制方法，其中，所述能源路由器包括n个输入端口、n个升降压变换电路、n个二极管和1个输出端口，n为正整数，每一所述升降压变换电路的输入端连接一所述输入端口，输出端串联一所述二极管，所有二极管的输出端皆并联至所述输出端口，在使用时，每一所述输入端口连接一外部直流电源，所述输出端口连接外部直流母线。本发明结构简单，易于实施，且准确度更高。
-
Patent Agency Ranking
公开(公告)号：CN116150995B
公开(公告)日：2023-07-25
申请号：CN202310140875.0
申请日：2023-02-21
Applicant: 东南大学
Abstract: 本发明公开了电弧仿真技术领域的一种开关电弧模型的快速仿真方法，包括：先建立电弧模型，给定训练任务集和任务目标集；构造对应的基于元初始化的深度神经网络框架，构造损失函数，构造基于元初始化的元网络，构造损失函数，选取适当的神经网络的参数；对电弧模型进行训练，训练完成后得到权重；将权重设置为网络的初始参数，进行目标任务的训练，从而实现基于元初始化的等离子体方程数值计算，得到神经网络的输出，即对应电弧模型的仿真结果。本发明能够在同种开关电弧模型但参数变化的情况下，更快速地进行模型仿真；对比于传统方法，本发明的仿真方法不依赖网格剖分，可以直接进行模型地仿真，精度更高。
-
公开(公告)号：CN115270593A
公开(公告)日：2022-11-01
申请号：CN202210556874.X
申请日：2022-05-19
Applicant: 东南大学
IPC: G06F30/27 , G06F30/23 , G06N3/04 , G06N3/08 , G06N20/00 , G06F111/10 , G06F119/08
Abstract: 本发明公开了一种基于深度学习的多物理场模型分离式求解方法，可用于多物理场方程组的数值计算。本发明包括以下步骤：建立多物理场方程组模型，将多物理场方程组所蕴含的物理规律作为深度神经网络的先验信息；基于多物理场方程组模型建立深度学习的分离式神经网络；以等式和相应的边界条件、初始条件为基础构造损失函数，选取符合模型复杂度的神经网络参数；神经网络训练求解多物理场方程组的数值解，训练时不断得到新的损失函数值，当其收敛到给定的阈值后，结束训练，解决了在传统方法求解高维问题时会存在精度不高的问题。
-
公开(公告)号：CN113297534B
公开(公告)日：2024-11-22
申请号：CN202110782738.8
申请日：2021-07-12
Applicant: 东南大学
Abstract: 本发明公开一种基于双神经网络框架的等离子体方程数值计算方法，计算方法包括以下步骤：S1:建立等离子体方程模型，将等离子体方程所蕴含的物理规律作为人工神经网络的先验信息；S2:基于S1的等离子体方程建立对应的双神经网络框架；S3:以等式和相应的边界条件、初始条件为基础构造损失函数，选取适当的神经网络的层数等参数；S4:神经网络训练求解等离子体方程的数值解，训练时不断得到新的损失函数值，当其收敛到阈值后，结束训练。本发明等离子体方程数值计算方法利用双神经网络架构求解出等离子体方程的精确解，解决了常规有效体积法结果依赖网格划分，高阶求解需要大量迭代的缺陷，能够从有限的数据样本有效地训练出对应的映射集合。
-
公开(公告)号：CN115146527A
公开(公告)日：2022-10-04
申请号：CN202210557960.2
申请日：2022-05-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的多物理场模型耦合式求解方法，可用于多物理场方程组的数值计算。本发明包括以下步骤：步骤1，建立多物理场方程组模型；步骤2，基于步骤1的多物理场方程组模型构造对应的耦合式深度学习框架；步骤3，构造损失函数，选择合适的超参数；步骤4，对多物理场方程组模型进行训练，直至损失函数值下降到给定阈值，训练完成后得到多物理场方程组的解，从而实现基于深度学习的多物理场方程组耦合式数值计算。解决了在传统方法求解高维问题时会存在精度不高的问题。
-
公开(公告)号：CN113297534A
公开(公告)日：2021-08-24
申请号：CN202110782738.8
申请日：2021-07-12
Applicant: 东南大学
Abstract: 本发明公开一种基于双神经网络框架的等离子体方程数值计算方法，计算方法包括以下步骤：S1:建立等离子体方程模型，将等离子体方程所蕴含的物理规律作为人工神经网络的先验信息；S2:基于S1的等离子体方程建立对应的双神经网络框架；S3:以等式和相应的边界条件、初始条件为基础构造损失函数，选取适当的神经网络的层数等参数；S4:神经网络训练求解等离子体方程的数值解，训练时不断得到新的损失函数值，当其收敛到阈值后，结束训练。本发明等离子体方程数值计算方法利用双神经网络架构求解出等离子体方程的精确解，解决了常规有效体积法结果依赖网格划分，高阶求解需要大量迭代的缺陷，能够从有限的数据样本有效地训练出对应的映射集合。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
