充分利用建模者对实际问题的先验知识是改善神经网络泛化性能最有效的途径之一。项目以算例数值模拟和实际墒情预测问题为背景,采用实验室实验和野外田间试验相结合的方法,探讨利用先验知识改善神经网络泛化性能的作用机理,研究先验知识限制条件下的结构、样本和目标规则复杂性对神经网络泛化性能的影响机制,设计适合于神经网络学习算法的先验知识表示框架,提出基于先验知识的网络结构设计方法与学习策略,总结基于先验知识神经网络模型的一般性建模原理与方法。它的研究将彻底改变传统神经网络模型纯粹基于数据驱动的"黑箱子"学习模式,实现由"黑箱子"学习模式向先验知识与"数据驱动"的耦合学习模式转变,为从根本上改善神经网络泛化性能提供理论支撑。
{{i.achievement_title}}
数据更新时间:2023-05-31
正交异性钢桥面板纵肋-面板疲劳开裂的CFRP加固研究
特斯拉涡轮机运行性能研究综述
基于LASSO-SVMR模型城市生活需水量的预测
基于多模态信息特征融合的犯罪预测算法研究
栓接U肋钢箱梁考虑对接偏差的疲劳性能及改进方法研究
灌排系统神经网络模拟的先验知识理论与应用研究
深度神经网络泛化理论的研究
基于不确定先验知识的支持向量机理论与算法研究
空间柔性铰链机构性能改善的理论与实验研究