排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
提高神经网络(NN)的收敛速率和预测精度一直是人工智能领域的一个挑战性问题,尽管许多研究人员已在研究中使用小批量数据训练神经网络获得了较好的效果,但是这些方法并不够灵活.针对这个问题,该文提出了一种新的数据预处理算法即Fibonacci采样算法.根据Fibonacci数列规则绘制一个新的训练数据序列,这不仅可以恢复小批量数据的划分,而且还可以提供更灵活的批量规模的选择.实验结果表明:在梯度下降之前,Fibonacci数据划分序列能得到较好的实验结果.在应用于相同的单个CNN(5层卷积神经网络)和AlexNet中,Fibonacci采样算法比传统的小批量梯度下降算法能获得更高的准确度和更低的损失值,并且在几种通用网络(LeNet、AlexNet、VGG-16、GoogLeNet)上的性能也取得显著提升. 相似文献
2.
3.
在经典的Leslie-Gower模型中引入常数能力收获和恐惧效应,通过动力系统的稳定性理论得到了捕食者-食饵模型在各平衡点的局部渐近稳定的条件,然后利用一个新判据获得了在正平衡点处发生Flip分岔的条件.数值模拟结果表明,适当地增加捕食者的收获可以稳定系统. 相似文献
4.
研究了Beddington-DeAngelis型功能反应对一类具有阶段结构和SIS型传染病的捕食者-食饵模型的动力学性质的影响.运用常数变易法证明了正解的存在性和解的有界性,结合特征方程得到了各平衡点局部稳定的条件,并通过Lyapunov函数和LaSalle不变原理获得了平衡点全局稳定的条件. 相似文献
1