PulseAugur
中
实时 08:39:33
English(EN) Infinity-norm-based Input-to-State-Stable Long Short-Term Memory networks: a thermal systems perspective

新的LSTM稳定性方法优于现有模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，用于确保长短期记忆（LSTM）网络在系统辨识中的稳定性，特别是非线性动态系统，如热力学过程。他们的方法基于无穷范数推导出了输入-状态稳定性（ISS）的充分条件，该条件比以前的方法依赖更少的网络参数。该技术已在热力学系统上得到验证，其中ISS促进的LSTM在性能上优于基于物理的模型和其他循环神经网络变体。 AI

影响 增强了循环神经网络在复杂动态系统建模方面的可靠性。

排序理由 该集群包含一篇学术论文，详细介绍了一种提高LSTM网络稳定性方面的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Stefano De Carli, Davide Previtali, Leandro Pitturelli, Mirko Mazzoleni, Antonio Ferramosca, Fabio Previdi ·

    Infinity-norm-based Input-to-State-Stable Long Short-Term Memory networks: a thermal systems perspective

    arXiv:2503.11553v3 Announce Type: replace-cross Abstract: Recurrent Neural Networks (RNNs) have shown remarkable performances in system identification, particularly in nonlinear dynamical systems such as thermal processes. However, stability remains a critical challenge in practi…

相关实体

相关话题