我正在尝试进行神经网络分类（使用python，Keras），以实现空间物理学的目的，其中我想根据多元时态数据识别特定的行星区域。给定我的目标，我想使用一个损失函数来最小化这样的参数：absolute_difference_between_predicted_and_real_class * temporal_distance_to_closest_real_class_change
更准确地说：我有3个类别，分别对应于行星周围的特定区域，即封闭的行星环境（类别1），冲击（内部环境极限处的物理薄边界；类别2），太阳风（由于太阳；第3类）。
使用经典算法，我有2个问题： 1）我得到了物理上不可能的预测类差异，例如3类=> 1类，反之亦然，并且预测类与真实类差异太大（3代替1或反之，而2代替1或3是对我来说没什么大问题）；因此我想在损失函数中引入absolute_difference_between_predicted_and_real_class 2）我对班级更改的确切时间有很大的不确定性（3 => 2、2 => 1，反之亦然），因此，如果与“真实”课程相距不太远，则错误的预测班级过渡可能不会成为问题（但实际上总是不确定的）过渡；因此我想在损失函数中引入temporal_distance_to_closest_real_class_change
我知道我可以使用后处理功能，但如果可能的话，我希望将这些约束直接引入损失函数中。原则上，我可以编写一个函数来执行此操作，但是我不知道如何应对可导性约束以及损失函数所需的其他约束。我还阅读了一些有关序数分类的内容，这与我的问题＃1相对应，但不确定是否适合问题＃2。有任何想法或建议吗？
感谢您的帮助， 菲利普