监督的机器学习方法需要在训练阶段最小化损失功能。顺序数据在许多研究领域中无处不在，并且通常通过为表格数据设计的基于欧几里得距离的损失函数处理。对于平滑的振荡数据，这些常规方法缺乏对同时惩罚幅度，频率和相位预测误差的能力，并且倾向于偏向振幅误差。我们将表面相似性参数（SSP）作为一种新型损耗函数引入，对于平滑振荡序列的训练机器学习模型特别有用。我们对混沌时空动力学系统进行的广泛实验表明，SSP有益于塑造梯度，从而加速训练过程，减少最终预测误差，增加重量初始化的鲁棒性以及与使用经典损失功能相比，实施更强的正则化效果。结果表明，新型损失度量的潜力，特别是对于高度复杂和混乱的数据，例如由非线性二维Kuramoto-Sivashinsky方程以及流体中分散表面重力波的线性传播所引起的数据。
translated by 谷歌翻译
钢铁生产调度通常由人类专家规划者完成。因此，而不是全自动调度系统钢制造商更喜欢辅助推荐算法。通过合适的订单的建议，这些算法协助人类专家规划者，这些规划人员受到生产订单的选择和调度。但是，很难估计，这些算法应该具有多大的复杂性，因为钢制竞选规划缺乏精确的基于规则的程序;事实上，它需要广泛的域名知识以及只能通过多年的经营体验获得的直觉。这里，而不是开发新的算法或改善旧的算法，我们介绍了一种混洗辅助网络方法，以评估人类专家建立的选择模式的复杂性。该技术允许我们正式化并代表进入活动计划的默认知识。由于网络分析，我们发现生产订单的选择主要由订单碳含量决定。令人惊讶的是，锰，硅和钛等痕量元素对选择决定的影响较小，而不是受相关文献所假设。我们的方法可以作为一系列决策支持系统的输入，每当人类专家需要创建符合某些隐含选择标准的订单组（'广告系列'）。
translated by 谷歌翻译