本文回顾了旨在捕捉复杂滞后系统的神经网络模型的演变。文章详细介绍了从引入记忆和非Masing滞后的Prandtl和Preisach神经网络,到更复杂的模型,如广义Prandtl神经网络(GPNN)和Neuro-Madelung模型(NMM)的进展。该回顾强调了这些模型如何纳入刚度退化、速率依赖性和各种滞后形式等特征,以准确表示非线性物理系统。 AI
影响 滞后系统建模的进步可以提高材料科学和结构工程等领域的模拟精度。
排序理由 该条目是一篇在arXiv上发表的研究论文,详细介绍了神经网络模型在滞后系统方面的进展。[lever_c_demoted from research: ic=1 ai=1.0]
- DPCNNs
- EPNN
- GPNNs
- Madelung
- Mehrdad Shafiei Dizaji
- Neuro-Madelung
- Neuroplastic
- Prandtl neural networks
- Preisach neural networks
- PreisachNNs
- probabilistic neural network
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →