Publikation:

Numerical and theoretical analysis of neural networks to solve differential equations

Lade...
Vorschaubild

Dateien

Reihn_2-426awcwnv4o3.pdf
Reihn_2-426awcwnv4o3.pdfGröße: 7.06 MBDownloads: 751

Datum

2020

Herausgeber:innen

Kontakt

ISSN der Zeitschrift

Electronic ISSN

ISBN

Bibliografische Daten

Verlag

Schriftenreihe

Auflagebezeichnung

DOI (zitierfähiger Link)
ArXiv-ID

Internationale Patentnummer

Angaben zur Forschungsförderung

Projekt

Open Access-Veröffentlichung
Open Access Green
Core Facility der Universität Konstanz

Gesperrt bis

Titel in einer weiteren Sprache

Publikationstyp
Bachelorarbeit
Publikationsstatus
Published

Erschienen in

Zusammenfassung

Zusammenfassung in einer weiteren Sprache

Die Bedeutung von Differentialgleichungen ist wegen ihrer allgegenwärtigen Relevanz in allen Bereichen der Optimierung und Physik unbestreitbar. Um Differentialgleichungen zu lösen ist es wichtig die Vor- und Nachteile bestimmter Methoden zu berücksichtigen. Die Methoden unterscheiden sich in der Qualität der Lösung, im Rechenaufwand und unter anderem ob die Lösung diskretisiert oder stetig ist. In dieser Arbeit wird eine Methode und die entsprechende Theorie vorgestellt, die eine stetige Lösung von Differentialgleichungen unter Verwendung etablierter Machine Learning Verfahren liefert. Die Arbeit beginnt damit die zugrundeliegende Theorie zu etablieren, welche beschreibt wie neuronale Netzwerke fähig sind stetige Funktionen zu approximieren. Anschließend werden die mathematische Form von neuronalen Netzwerken und zugehörige theoretische Eigenschaften vorgestellt. Die universelle Approximationsfähigkeit wird theoretisch durch den Beweis gezeigt, dass neuronale Netzwerke mit einer einzigen ’Hidden Layer’ und einer Aktivierungsfunktion σ ∈ C^k(R), dicht ’in compacta’ in C^k([a,b]) liegen, wobei der Schluss gezogen wird, dass jede stetige Funktion durch ein neuronales Netzwerk mit beliebiger Genauigkeit approximiert werden kann. Zur weiteren und intuitiveren Ausarbeitung wird ein Algorithmus verwendet um stetige Funktionen und falls diese differenzierbar sind, auch deren Ableitung zu approximieren. In Kapitel 3 werden stochastische Optimierungsalgorithmen für Machine Learning diskutiert und Änderungen zur Reduzierung der Rechenkosten unter Verwendung eines stochastischen Ansatzes unter Beibehaltung der für solche Aufgaben erforderlichen Genauigkeit vorgestellt. Im letzten Teil dieser Arbeit wird eine numerische Methode erläutert und die Ergebnisse diskutiert sowie mit der bekannten Runge-Kutta Methode verglichen. Schließlich wird in Kapitel 5 ein Ausblick gegeben, wie die Methode weiter verwendet und optimiert werden kann.

Fachgebiet (DDC)
510 Mathematik

Schlagwörter

Neuronale Netzwerke, Differentialgleichungen

Konferenz

Rezension
undefined / . - undefined, undefined

Forschungsvorhaben

Organisationseinheiten

Zeitschriftenheft

Zugehörige Datensätze in KOPS

Zitieren

ISO 690REIHN, Maximilian, 2020. Numerical and theoretical analysis of neural networks to solve differential equations [Bachelor thesis]. Konstanz: Universität Konstanz
BibTex
@mastersthesis{Reihn2020Numer-49283,
  year={2020},
  title={Numerical and theoretical analysis of neural networks to solve differential equations},
  address={Konstanz},
  school={Universität Konstanz},
  author={Reihn, Maximilian}
}
RDF
<rdf:RDF
    xmlns:dcterms="http://purl.org/dc/terms/"
    xmlns:dc="http://purl.org/dc/elements/1.1/"
    xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
    xmlns:bibo="http://purl.org/ontology/bibo/"
    xmlns:dspace="http://digital-repositories.org/ontologies/dspace/0.1.0#"
    xmlns:foaf="http://xmlns.com/foaf/0.1/"
    xmlns:void="http://rdfs.org/ns/void#"
    xmlns:xsd="http://www.w3.org/2001/XMLSchema#" > 
  <rdf:Description rdf:about="https://kops.uni-konstanz.de/server/rdf/resource/123456789/49283">
    <dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2020-04-24T06:52:46Z</dc:date>
    <dcterms:issued>2020</dcterms:issued>
    <dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2020-04-24T06:52:46Z</dcterms:available>
    <dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/49283/3/Reihn_2-426awcwnv4o3.pdf"/>
    <dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/39"/>
    <dc:language>eng</dc:language>
    <foaf:homepage rdf:resource="http://localhost:8080/"/>
    <dc:contributor>Reihn, Maximilian</dc:contributor>
    <bibo:uri rdf:resource="https://kops.uni-konstanz.de/handle/123456789/49283"/>
    <void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/>
    <dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/39"/>
    <dc:creator>Reihn, Maximilian</dc:creator>
    <dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/49283/3/Reihn_2-426awcwnv4o3.pdf"/>
    <dcterms:title>Numerical and theoretical analysis of neural networks to solve differential equations</dcterms:title>
    <dc:rights>terms-of-use</dc:rights>
    <dcterms:rights rdf:resource="https://rightsstatements.org/page/InC/1.0/"/>
  </rdf:Description>
</rdf:RDF>

Interner Vermerk

xmlui.Submission.submit.DescribeStep.inputForms.label.kops_note_fromSubmitter

Kontakt
URL der Originalveröffentl.

Prüfdatum der URL

Prüfungsdatum der Dissertation

Hochschulschriftenvermerk
Konstanz, Universität Konstanz, Bachelorarbeit, 2020
Finanzierungsart

Kommentar zur Publikation

Allianzlizenz
Corresponding Authors der Uni Konstanz vorhanden
Internationale Co-Autor:innen
Universitätsbibliographie
Ja
Begutachtet
Diese Publikation teilen