XiaoMi-AI文件搜索系统
World File Search System人工神经网络
一篇题为“人工神经网络方法”的论文......
ALD . . . . . . . . . . . . . . . . . . 酒精性肝病 ALF . . . . . . . . . . . . . . . . . . . 急性肝衰竭 ALP . . . . . . . . . . . . . . . . . 碱性磷酸酶 ALT . . . . . . . . . . . . . . . . . . 丙氨酸氨基转移酶 ANN . . . . . . . . . . . . . . ....................................................人工神经网络 APACHE II.......................................................................................................................急性生理与慢性健康评估 II AST.......................................................................................................................................天冬氨酸转氨酶 AUROC.......................................................................................................................................接收者操作曲线下面积
使用人工神经网络对视觉障碍进行建模
我们提出了一种方法来弥合人类视觉计算模型与视觉障碍 (VI) 临床实践之间的差距。简而言之，我们建议将神经科学和机器学习的进步结合起来，研究 VI 对关键功能能力的影响并改进治疗策略。我们回顾了相关文献，目的是促进充分利用人工神经网络 (ANN) 模型来满足视障人士和视觉康复领域操作人员的需求。我们首先总结了现有的视觉问题类型、关键的功能性视觉相关任务以及当前用于评估两者的方法。其次，我们探索最适合模拟视觉问题的 ANN，并在行为（包括性能和注意力测量）和神经层面预测它们对功能性视觉相关任务的影响。我们提供指导方针，为未来针对受 VI 影响的个体开发和部署 ANN 的临床应用研究提供指导。
使用人工神经网络和六个机器学习分类器
摘要：2型糖尿病（T2DM）的早期诊断将提供早期的治疗干预措施，以控制疾病进展并最大程度地减少过早死亡。本文提出了人工智能和机器学习预测模型，用于更准确地诊断阿曼人口中的T2DM，并且使用特殊创建的数据集进行了更少的处理时间。六种机器学习算法：K-Nearest邻居（K-NN），支持向量机（SVM），幼稚贝叶斯（NB），决策树，随机森林（RF），线性判别分析（LDA）和人工神经网络（ANN）（ANN）。所有使用的数据都是从糖尿病前期寄存器手动收集的临床数据和阿曼南阿尔·巴蒂纳省的Al SHIFA卫生系统。将结果与最广泛使用的PIMA印度糖尿病数据集进行了比较。考虑到预测T2DM的11个临床特征。随机森林和决策树模型的性能要比所有其他算法都更好，而阿曼数据的准确性为98.38％。使用相同的模型和功能数量时，阿曼数据集获得的精度超过了PID 9.1％。分析表明，T2DM诊断效率提高了更多的特征，这在许多缺失值的情况下有助于。
用于脑磁图的人工神经网络
脑磁图 (MEG) 是一种尖端的神经成像技术，它以无与伦比的高时间和空间精度组合测量认知过程背后的复杂大脑动态。MEG 数据分析始终依赖于先进的信号处理以及数学和统计工具来完成各种任务，从数据清理到探测信号的丰富动态，再到估计表面级记录背后的神经源。与大多数领域一样，人工智能 (AI) 的激增导致机器学习 (ML) 方法在 MEG 数据分类中的使用增加。最近，该领域的一个新兴趋势是使用人工神经网络 (ANN) 来解决许多与 MEG 相关的任务。本综述从三个角度全面概述了 ANN 如何用于 MEG 数据：首先，我们回顾了使用 ANN 进行 MEG 信号分类（即大脑解码）的工作。其次，我们报告了使用 ANN 作为人脑信息处理的假定模型的工作。最后，我们研究了使用 ANN 作为解决 MEG 方法问题（包括伪影校正和源估计）的技术的研究。此外，我们评估了目前在 MEG 中使用 ANN 的优势和局限性，并讨论了该领域未来的挑战和机遇。最后，通过详细描绘该领域并为未来提供实用建议，本综述旨在为经验丰富的 MEG 研究人员和对该领域有兴趣使用 ANN 来增强对 MEG 人脑复杂动态的探索的新手提供有益的参考。
人工神经网络和人脑中的视觉到价值的转换
人类和现在的计算机可以从感官事件中得出主观评价，尽管这种转化过程本质上是未知的。在这项研究中，我们通过将卷积神经网络 (CNN) 与人类的相应表征进行比较，阐明了未知的神经机制。具体而言，我们优化了 CNN 以预测绘画的审美评价，并通过多体素模式分析研究了 CNN 表征与大脑活动之间的关系。初级视觉皮层和高级关联皮层活动分别类似于浅层 CNN 和深层 CNN 中的计算。因此，视觉到价值的转换被证明是一个分层过程，与连接单模态到跨模态大脑区域（即默认模式网络）的主要梯度一致。额叶和顶叶皮层的活动由目标驱动的 CNN 近似。因此，可以通过与大脑活动的对应关系来理解和可视化 CNN 隐藏层的表征——促进人工智能与神经科学之间的相似性。
使用人工神经网络预测公司破产。
本文提出了一个深度学习模型，挑战了公司破产这一金融领域的已知知识。具体来说，我们构建了一个用于预测公司破产的多层感知器 (MLP) 模型，并对其进行了分析，以直观地显示哪些输入参数对模型的准确性最重要。该模型使用大约 55,000 行数据、数据清理和超参数优化，在 120 个时期和 30 次试验后实现了 82.8% 的平均准确率和 0.0678% 的标准差，这是一个出色的结果。该模型优于两个进行比较的支持向量机 (SVM) 模型，并表现出良好的泛化能力。然而，非线性 SVM 模型产生了 20.48% 的假阳性，准确率为 71.96%，而 MLP 模型产生了 25.1% 的假阳性。因此，如果减少假阳性的数量更重要，那么尽管准确率较低，但 SVM 模型可能是更可取的。分析输入参数后发现，员工人数、离职组和股权比例是对破产预测影响最大的输入参数。由此得出结论，这些参数可能是分析一家公司是否会破产时最重要的因素。
结合交叉验证和集成创建人工神经网络
人工神经网络（ANN）如今被广泛应用，对其性能提升的研究也在持续进行。ANN 的一个主要目标是具有较高的泛化性能，这可以通过验证来估计。集成有助于提高泛化性能，但如果训练数据集的大小有限，集成的验证通常在计算上成本很高。因此，本论文在交叉验证过程中引入了快捷集成，其中对多个验证输出取平均值以估计集成的泛化性能。为了评估该方法，使用两个不同的分类问题数据集，将快捷集成的验证性能与单个模型和实际集成的验证和测试性能进行了比较。结果表明，在验证过程中，快捷集成比单个模型能更好地估计集成的泛化性能，并且可以近似实际集成的验证性能。因此，快捷集成可以在交叉验证期间提供一种成本较低的集成验证方法。
使用人工神经网络对燃气轮机进行诊断...
R B Joly、S O T Ogaji *、R Singh 和 S.D. Probert 克兰菲尔德大学工程学院，贝德福德郡 MK43 OAL，英国 ______________________________________________________________________ 摘要 英国皇家空军运营的 Tristar 飞机每年在运输和空中加油任务中飞行数千小时。每台劳斯莱斯 RB211-524B4 发动机都记录了大量发动机数据：这些数据用于辅助维护过程。在维修和大修后的试验台发动机地面运行期间也会生成数据。为了更有效地使用记录的发动机数据，本文评估了使用人工神经网络 (ANN) 的主动发动机诊断工具的可行性。介绍了发动机健康监测，并介绍了 ANN 背后的理论。提出了一种使用多个 ANN 的发动机诊断结构。顶层区分单组分故障 (SCF) 和双组分故障 (DCF)。中层类包括有故障的部件或部件对。底层根据使用相关参数的一组发动机数据，为每个发动机部件估计与发动机无关的参数值。本文提出的 DCF 结果说明了 ANN 作为诊断工具的潜力。但是，ANN 应用程序也有许多用户定义的功能：ANN 设计、使用的训练时期数；采用的训练函数、met
使用量子比特训练人工神经网络作为...
事实证明，人工神经网络 (ANN) 能够有效解决使用机器学习进行大数据分析的许多问题。ANN 可以学习和概括输入数据的复杂和非线性特征。在大数据时代，大量数据来自多个来源。预计甚至超级计算机也将被大数据淹没。由于大数据的大小和维度，在这种情况下训练 ANN 是一项具有挑战性的任务。此外，网络中需要使用和优化大量参数来学习模式并分析此类数据。量子计算正在成为一个为该问题提供解决方案的领域，因为量子计算机可以使用量子位以不同的方式表示数据。量子计算机上的量子位可用于检测数据中传统计算机难以发现的隐藏模式。因此，人工神经网络领域具有巨大的应用空间。在这项工作中，我们主要专注于使用量子比特作为人工神经元来训练人工神经网络。模拟结果表明，与传统 ANN 相比，我们的 ANN 量子计算方法 (QC ANN) 非常高效。对于二元分类任务，以量子比特为人工神经元的模型可以使用更少的参数来学习数据的特征。我们使用量子模拟器演示了我们的实验，并在经典计算机上对 QC ANN 中使用的量子参数进行了优化。
神经科学家的人工神经网络：入门指南
人工神经网络 (ANN) 是机器学习中必不可少的工具，在神经科学领域引起了越来越多的关注。除了提供强大的数据分析技术外，ANN 还为神经科学家提供了一种新方法来构建复杂行为、异构神经活动和电路连接的模型，以及探索神经系统的优化，而这些是传统模型无法实现的。在这本教学入门书中，我们介绍了 ANN，并展示了它们如何被有效地应用于研究神经科学问题。我们首先讨论 ANN 的基本概念和方法。然后，我们将重点介绍如何将这个数学框架更贴近神经生物学，详细介绍如何定制 ANN 的分析、结构和学习，以更好地应对大脑研究中的各种挑战。为了帮助读者获得实践经验，这本入门书附有 PyTorch 和 Jupyter Notebook 中的教程式代码，涵盖主要主题。