本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
机器学习一、如何让自注意机制更有效？1、localattention/truncatedattention2、strideattention3、globalattention4、datadrivingclusteringlearnablepatternsofsinkhornsortingnetwork减少key的数量注意机制attentionmechanismsynthesizer二、non-autoregressivesequencegeneration非自回归序列生成conditionalsequencegeneration条件序列生成问题1、fertility2、sequence-lev
机器学习一、如何让自注意机制更有效？1、localattention/truncatedattention2、strideattention3、globalattention4、datadrivingclusteringlearnablepatternsofsinkhornsortingnetwork减少key的数量注意机制attentionmechanismsynthesizer二、non-autoregressivesequencegeneration非自回归序列生成conditionalsequencegeneration条件序列生成问题1、fertility2、sequence-lev
Shelltest命令Shell中的test命令用于检查某个条件是否成立，它可以进行数值、字符和文件三个方面的测试。数值测试 参数 说明 -eq 等于则为真 -ne 不等于则为真 -gt 大于则为真 -ge 大于等于则为真 -lt 小于则为真 -le 小于等于则为真 实例num1=100num2=100iftest$[num1]-eq$[num2]then echo'两
Shelltest命令Shell中的test命令用于检查某个条件是否成立，它可以进行数值、字符和文件三个方面的测试。数值测试 参数 说明 -eq 等于则为真 -ne 不等于则为真 -gt 大于则为真 -ge 大于等于则为真 -lt 小于则为真 -le 小于等于则为真 实例num1=100num2=100iftest$[num1]-eq$[num2]then echo'两
（一）什么是浪涌及浪涌的产生因供电线路被雷击，或者一些重型设备开关通断时，产生的仅仅几百万分之一秒时间内的一种剧烈脉冲。具体分为电力系统开关瞬态和雷电瞬态。电力系统开关瞬态：1、主电源系统切换骚扰，例如电容器组的切换；2、配电系统内在仪器附近的轻微开关动作或者负荷变化；3、与开关装置有关的谐振电路，如晶闸管；4、各种系统故障，例如对设备组接地系统的短路和电弧故障。雷电瞬态：1、直接雷击于外部电路（户外），注入的大电流流过接地电阻或外部电路阻抗而产生电压；2、在建筑物内、外导体上产生感应电压和电流的间接雷击（即云层之间或云层中的雷击或击于附近物体的雷击，这种雷击产生的磁场）；3、附近直接对地放电
（一）什么是浪涌及浪涌的产生因供电线路被雷击，或者一些重型设备开关通断时，产生的仅仅几百万分之一秒时间内的一种剧烈脉冲。具体分为电力系统开关瞬态和雷电瞬态。电力系统开关瞬态：1、主电源系统切换骚扰，例如电容器组的切换；2、配电系统内在仪器附近的轻微开关动作或者负荷变化；3、与开关装置有关的谐振电路，如晶闸管；4、各种系统故障，例如对设备组接地系统的短路和电弧故障。雷电瞬态：1、直接雷击于外部电路（户外），注入的大电流流过接地电阻或外部电路阻抗而产生电压；2、在建筑物内、外导体上产生感应电压和电流的间接雷击（即云层之间或云层中的雷击或击于附近物体的雷击，这种雷击产生的磁场）；3、附近直接对地放电
TranAD架构模型构建： ={𝑥1,...,𝑥𝑇},表示一个大小为T的带有时间戳的数据点序列，其中，𝑥𝑡满足特定的时间戳𝑡和𝑥t∈R𝑚，单变量设置是其中𝑚=1的特殊情况。异常检测：给定一个训练输入时间序列，对于长度为的任意时间的测试时间序列，并且与训练序列的模态相同的作为训练序列，我们需要预测Y={𝑦1，.，𝑦}，其中𝑦t ∈{0，1}表示测试集下第t个时间戳的数据点是否异常(1表示异常数据点)。异常诊断:基于上述训练和测试时间序列，我们需要预测Y={𝑦1，.，𝑦} 数据预处理：时序数据分析：long-termtrends、locality(short-termtrends)对数据进行了标
