معماری شبکه های عصبی برای پیش بینی انتشار: مطالعه ای بر روی CNN های رمزگذار-رمزگشا

نویسندگان:

(1) J. Quetzalcóatl Toledo-Marín، دانشگاه بریتیش کلمبیا، موسسه تحقیقاتی بیمارستان کودکان BC، ونکوور BC، کانادا (ایمیل: [email protected])

(2) جیمز ا. [email protected])

(3) جفری فاکس، دانشگاه ویرجینیا، مؤسسه علوم رایانه و پیچیدگی زیستی، 994 Research Park Blvd، شارلوتزویل، ویرجینیا، 22911، ایالات متحده آمریکا (ایمیل: [email protected]).

چکیده و مقدمه

مواد و روش ها

نتایج

بحث

نتیجه گیری و مراجع

2 روش

حالت پایدار معادله انتشار دقیقاً پیچیدگی تابع گرین مرتبط با معادله و حالت اولیه است. از این رو یک رویکرد ساده لوحانه یک NN کانولوشنال عمیق (CNN) را در نظر می گیرد که در آن ارتفاع و عرض در هر لایه ثابت و برابر با ورودی است. CNN ها در تشخیص لبه ها خوب هستند و با افزایش تعداد لایه های پیچشی، CNN می تواند عناصر پیچیده تری را شناسایی کند. بنابراین آیا یک CNN می تواند راه حل ثابت را پیش بینی کند؟ ما استدلال می کنیم که به تعداد زیادی لایه پیچیدگی نیاز دارد به طوری که هر پیچیدگی متناسب با یک مرحله زمانی باشد. اضافه کردن پیچیدگی‌های زیاد منجر به یک کار نسبتاً سخت‌تر و…

Source link