首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

基于神经网络的迟滞系统建模:从 Prandtl 和 Preisach 神经网络到神经马德隆和神经可塑性连续模型

摘要

arXiv:2611.23240v1 Announce Type: new Abstract: Hysteresis is a complex nonlinear phenomenon characterized by memory dependence, path dependence, and, in many physical systems, degradation, non-congru...

and neural rate networks nonlinear dependence the hysteresis memory non
2026-11-19 1 阅读 约1分钟阅读 Mehrdad Shafiei Dizaji, Farzad Shafiei Dizaji
分享:
字号:
arXiv:2611.23240v1 公告类型:新 摘要:迟滞是一种复杂的非线性现象,其特征在于内存依赖性、路径依赖性,并且在许多物理系统中还存在退化、不一致性、不对称和速率依赖性。本综述探讨了 Prandtl 神经网络 (PNN)、Preisach 神经网络 (PreisachNNs)、广义 Prandtl 神经网络 (GPNN)、神经-Madelung 模型 (NMM)、扩展 Preisach 神经网络 (EPNN) 和动态塑性连续神经网络 (DPCNN) 的发展和功能。特别关注其表示记忆的机制、网络架构、激活函数、训练算法、恶化和速率依赖性的处理以及在非线性结构和材料系统中的应用。 PNN 通过停止算子将迟滞记忆直接引入神经激活,并展示了结构的精确非线性动态分析。 Preisach-NN 随后通过额外的非线性隐藏层扩展了这一概念,以表示非 Masing 磁滞。 GPNN 引入了恶化停止神经元来捕获刚度和强度退化以及非一致滞后。 NMM 提供了不同的概括,它将 Madelung 的滞后规则与多层前馈神经网络相结合,以表示不同的速率无关和速率相关行为。这些发展在 EPNN 中达到顶峰,它结合了恶化的迟滞算子、非线性神经映射和输入速率信息,以适应 Masing 和非 Masing、对称和不对称、全等和非全等以及速率无关和速率相关的迟滞。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱