XiaoMi-AI文件搜索系统
World File Search System人工神经网络
使用人工神经网络和空间语法技术了解质量住房设计参数
摘要摘要质量外壳的设计是一个复杂的过程，涉及大量组件和参数的使用。数字化的影响不可避免地改变了设计领域，这导致了计算设计模型，数据结构，人工智能和算法思维方式的扩散。人工神经网络，空间语法方法论，预定义的规则将有助于塑造示意图设计过程的步骤并建立某些局限性。在这项研究的范围内，使用预定义的准则来实现大型房屋设计中的几何差异。在此过程中使用了传统和数字仪器。基于人工神经网络模型和空间语法技术的方法用于研究案例研究和开发原型。人工神经网络模型旨在了解影响质量住房设计参数的因素。根据该模型的输出确定参数的重要性百分比。此外，基于空间语法的方法论对决策过程和基于反馈的设计都产生了重大影响。在这项研究中，使用了几种数字工具来分析，例如可见性图分析，基于节点的技术和ISOVIST分析。在致力于结论的部分中，讨论了所获得的各种原型的比较，空间语法分析的发现以及模型开发的各个阶段。
使用人工神经网络进行数据增强和特征选择以预测锂离子电池的充电状态
摘要：锂离子电池是交通运输行业电气化和可再生能源转型的关键技术。始终确定锂离子电池的状况对于优化其运行至关重要。由于这些电池承受的各种负载条件以及电化学系统的结构复杂，因此无法直接测量其状况，包括其充电状态。相反，使用电池模型来模拟其行为。数据驱动模型越来越受到关注，因为它们具有较高的准确性和较短的开发时间；然而，它们高度依赖于数据库。为了解决这个问题，本文分析了使用数据增强方法来改进人工神经网络的训练。使用不同数量的人工数据训练线性回归模型、多层感知器和卷积神经网络，以估计电池单元的充电状态。所有模型都在真实数据上进行测试，以检验模型在实际应用中的适用性。卷积神经网络的测试误差最低，平均绝对误差为 0.27%。结果凸显了数据驱动模型的潜力以及使用人工数据改进这些模型训练的潜力。
人工神经网络语言模型预测人类
。CC-BY-NC-ND 4.0 国际许可证（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是由此预印本的版权持有者于 2023 年 9 月 19 日发布的。；https://doi.org/10.1101/2022.10.04.510681 doi：bioRxiv 预印本
一种可扩展且快速的人工神经网络表面码伴生解码器
表面码纠错为实现可扩展容错量子计算提供了一种非常有前途的途径。当作为稳定器码运行时，表面码计算包括一个综合征解码步骤，其中使用测量的稳定器算子来确定物理量子比特中错误的适当校正。解码算法已经取得了长足的发展，最近的研究结合了机器学习 (ML) 技术。尽管初步结果很有希望，但基于 ML 的综合征解码器仍然局限于小规模低延迟演示，无法处理具有边界条件和晶格手术和编织所需的各种形状的表面码。在这里，我们报告了一种可扩展且快速的综合征解码器的开发，该解码器由人工神经网络 (ANN) 驱动，能够解码任意形状和大小的表面码，数据量子比特受到各种噪声模型的影响，包括去极化误差、偏置噪声和空间非均匀噪声。解码过程包括由 ANN 解码器进行综合征处理，然后进行清理步骤以纠正任何残留错误。基于对 5000 万个随机量子错误实例的严格训练，我们的 ANN 解码器被证明可以处理超过 1000（超过 400 万个物理量子比特）的代码距离，这是最大的 ML-
使用灌溉指数、人工神经网络和偏最小二乘回归模型对埃及尼罗河进行水质评估和预测
1 水文地质学、自然资源评估系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及 2 环境地质学、环境系统自然资源测量系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及；ali.saleh@esri.usc.edu.eg 3 地质学系、理学院、达曼胡尔大学、达曼胡尔 22511、埃及；hendhussein@sci.dmu.edu.eg 4 农业工程、自然资源评估系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及 5 农业工程、环境系统自然资源测量系、环境研究与研究所、萨达特城大学、梅努菲亚 32897、埃及； farouk@esri.usc.edu.eg * 通讯地址：mohamed.gad@esri.usc.edu.eg (M.G.); salah.emam@esri.usc.edu.eg (S.E.)
人工神经网络及其类型 - ijrpr
(2016) Shanmuganathan ，利用神经科学、医学和高性能计算领域的科学家已经开发的大脑模型，计算机科学领域的知识工程师在将启发式方法融入计算算法建模方面取得了相当大的成功。为现在被认为无法治愈的疾病创造治疗方法。了解人类大脑/神经细胞的架构、结构和功能对于治疗包括阿尔茨海默氏症和癫痫在内的大脑和神经系统疾病至关重要。尽管医学研究人员在过去几十年中取得了重大进展，但他们仍然远未理解人们如何思考、学习和记忆，以及认知和行为之间的联系。基于目前的研究，我们在此背景下讨论 ANN 拓扑、组件、相关术语和混合。
使用人工神经网络设计和实施心脏病预测
电子邮件：chavanmk1@gmail.com shashank@nielit.gov.in saurabhbansod@nielit.gov.in prashantpal@nielit@nielit.gov.in摘要：该计划的主要目标是使用医院统计数据来预测心脏疾病。 我们项目的主要目标是提供更精确的结果。 研究中建议的系统表示使用ANN来诊断心脏中获得的疾病。 使用预先接受的数据作为反馈，并通过各种过程（包括数据收集和数据挖掘）提供了有关呼吸系统的清晰清晰度，用于预测疾病。 以标准化格式收集和获取必要的信息。 年龄，血压，胆固醇，性别，血糖和其他特征从医疗概况中获取，以预测患者发展心脏病的可能性是拟议系统中的神经网络与许多组件相连，将输入收集为波形，并在其中收集了数据。 主要系统通过该系统接收汇总输入并进行预测过程，并耦合到神经分支。 关键字ANN，预测，算法，呼吸道。电子邮件：chavanmk1@gmail.com shashank@nielit.gov.in saurabhbansod@nielit.gov.in prashantpal@nielit@nielit.gov.in摘要：该计划的主要目标是使用医院统计数据来预测心脏疾病。我们项目的主要目标是提供更精确的结果。研究中建议的系统表示使用ANN来诊断心脏中获得的疾病。使用预先接受的数据作为反馈，并通过各种过程（包括数据收集和数据挖掘）提供了有关呼吸系统的清晰清晰度，用于预测疾病。以标准化格式收集和获取必要的信息。年龄，血压，胆固醇，性别，血糖和其他特征从医疗概况中获取，以预测患者发展心脏病的可能性是拟议系统中的神经网络与许多组件相连，将输入收集为波形，并在其中收集了数据。主要系统通过该系统接收汇总输入并进行预测过程，并耦合到神经分支。关键字ANN，预测，算法，呼吸道。
利用人工神经网络进行量子启发基态近似回火
大量研究表明，参数化人工神经网络 (ANN) 可以有效描述众多有趣的量子多体汉密尔顿量的基态。然而，用于更新或训练 ANN 参数的标准变分算法可能会陷入局部极小值，尤其是对于受挫系统，即使表示足够具有表现力。我们提出了一种并行调节方法，有助于摆脱这种局部极小值。这种方法涉及独立训练多个 ANN，每个模拟由具有不同“驱动器”强度的汉密尔顿量控制，类似于量子并行调节，并且它将更新步骤纳入训练中，允许交换相邻的 ANN 配置。我们研究了两类汉密尔顿量的实例，以证明我们使用受限玻尔兹曼机作为参数化 ANN 的方法的实用性。第一个实例基于置换不变汉密尔顿量，其地形阻碍了标准训练算法，使其逐渐陷入假局部最小值。第二个实例是四个氢原子排列成一个矩形，这是使用高斯基函数离散化的第二个量化电子结构哈密顿量的一个实例。我们在最小基组上研究了这个问题，尽管问题规模很小，但它表现出了假最小值，可以捕获标准变分算法。我们表明，通过量子并行回火来增强训练对于找到这些问题实例基态的良好近似值非常有用。
通过应用人工神经网络评估的母亲和新生儿的胎盘和周围组织中的产前环境应激源和DNA甲基化水平
1 Department of Translational Research and of New Surgical and Medical Technologies, University of Pisa, 56126 Pisa, Italy 2 Autism Research Unit, Villa Santa Maria Foundation, 22038 Tavernerio, Italy 3 Istituto Zooprofilattico Sperimentale della Lombardia e dell'Emilia Romagna, Chemical Department, Via P. Fiorini 5, 40127 Bologna,意大利4新生儿学和NICU，临床和实验医学系，56126，意大利PISA 5 56126 PISA实验与临床医学系的妇产科和妇科第1单元，意大利PISA 56126 PISA，意大利6妇产科和妇产科2，PISA University Hosporty，Persologicy of Pathologicy of Pathologicy of Pathologicy of 56126 PISA，PISA，PISA，ITALY 7。大学医院，意大利PISA 56126 8欧洲癌症与环境研究所（ECERI），1000比利时，比利时9号，Cagliari大学外科科学系和新生儿重症监护室和Neonatal重症监护室，Aou Cagliari，Aou Cagliari，09124 Cagliari，Italy Cagliari，Italy Italy 10 9124 ITALY STROCATION ITALY SECUDATION，PISA HOSTECATY HOSSICAL，PIS A SOFFESSION HOSSICAL，PISA HOSTERCE *，PISA HOSTERCE * 661，PIS，566 PIS，566 PIS： lucia.migliore@unipi.it†这些作者为这项工作做出了同样的贡献。
旅游业中的人工智能：利用机器学习和人工神经网络预测菲律宾游客人数
摘要 —旅游业是最突出和发展最快的行业之一，对一个国家经济增长贡献巨大。然而，在冠状病毒大流行期间，旅游业受到的影响最为严重。因此，在制定发展旅游业竞争力和经济增长的决策和战略时，对游客人数进行可靠和准确的时间序列预测是必要的。从这个意义上讲，本研究旨在利用菲律宾 2008 年至 2022 年的实际旅游统计数据来检验一种流行的机器学习技术人工神经网络模型的预测能力。该模型使用三种不同的数据组合进行训练，并利用不同的时间序列评估指标进行评估，以确定影响模型性能的因素并确定其预测游客人数的准确性。研究结果表明，ANN 模型在预测游客人数方面是可靠的，R 平方值和 MAPE 分别为 0.926 和 13.9%。此外，还确定添加包含 COVID-19 大流行等意外现象的训练集可以提高预测模型的准确性和学习过程。由于该技术证明了其预测准确性，它将成为政府、旅游利益相关者和投资者等加强战略和投资决策的有用工具。