Yanlai Chen

作者提出导数信息图卷积自编码器（DiGCA）相分类器，将 Lifshitz-Petrich 模型的解与其导数（非局部项 G(φ)）一同输入图卷积自编码器进行降维，再用全连接神经网络分类，在参数域 [−0.01,0.05]×[0,1] 上生成相图，分类精度超过 98%，相比 MCMS-RBM 约快两个数量级，并在最高 10% 加性白噪声下保持稳定。

作者提出导数信息图卷积自编码器（DiGCA）相分类器，将 Lifshitz-Petrich 模型的解与其导数（非局部项 G(φ)）一同输入图卷积自编码器进行降维，再用全连接神经网络分类，在参数域 [−0.01,0.05]×[0,1] 上生成相图，分类精度超过 98%，相比 MCMS-RBM 约快两个数量级，并在最高 10% 加性白噪声下保持稳定。