XiaoMi-AI文件搜索系统
World File Search System人工神经网络
\advance \chk@titlecnt \@ne 使用构成人工神经网络自动发现人脑模型\global \chk@titlecnt =\z@
大脑是我们最柔软、最脆弱的器官，了解其物理特性是一项具有挑战性但意义重大的任务。在过去十年中，出现了许多相互竞争的模型来描述其对机械负荷的反应。然而，选择最佳的本构模型仍然是一个启发式过程，很大程度上取决于用户体验和个人偏好。在这里，我们挑战了传统观念，即首先选择一个本构模型，然后将其参数与数据拟合。相反，我们提出了一种同时发现模型和参数的新策略。我们整合了一个多世纪的热力学知识和最先进的机器学习，构建了一个能够自动发现模型的本构人工神经网络。我们的设计范例是从一组功能构建块对网络进行逆向工程，这些构建块在设计上是流行本构模型的概括，包括 neo Hookean、Blatz Ko、Mooney Rivlin、Demiray、Gent 和 Holzapfel 模型。通过约束输入、输出、激活函数和架构，我们的网络先验地满足热力学一致性、客观性、对称性和多凸性。我们证明，在 40 00 多个模型中，我们的网络可以自主发现最能描述人体灰质和白质在拉伸、压缩和剪切作用下行为的模型和参数。重要的是，我们的网络权重可以自然地转化为物理上有意义的参数，例如皮质、基底神经节、放射冠和胼胝体的剪切模量分别为 1.82kPa、0.88kPa、0.94kPa 和 0.54kPa。我们的结果表明，组成型人工神经网络有可能引发软组织建模的范式转变，从用户定义的模型选择转变为自动模型发现。我们的源代码、数据和示例可在 https://github.com/LivingMatterLab/CANN 获得。
人工神经网络：简要研究
树突：输入（如图 1 所示）。这是神经元的示意图，它基本上展示了生物神经元如何从其他来源接收输入，组合该输入，然后执行一般操作。这类似于人类大脑如何从经验和例子中学习。树突会从其他神经元接收信号，将它们传输到细胞体，细胞体会执行一些功能；这个功能可能是求和或乘法。在执行完一组输入后，它会被传输到下一个。我们的目标是建立一个网络来做到这一点。一个典型的大脑中可以找到一个由 100 亿个神经元组成的网络。轴突：输出，突触：链接，细胞体：处理器，树突：输入（如图 1 所示）。这是神经元的示意图，它基本上展示了生物神经元 [4] 如何从其他来源接收输入，组合该输入，然后执行一般操作。这类似于人类大脑如何从经验和例子中学习。树突状神经元会接收来自其他神经元的信号，将其传输到细胞体，细胞体会执行一些功能；这些功能可能是求和或乘法。在执行完一组输入后，它会被传输到下一个。我们的目标是建立一个网络来做到这一点。我们对开发人工神经网络 (ANN) 感兴趣，主要有两个原因：
基于人工神经网络的工具在电力电子可再生能源高渗透电力系统中的短路电流估计应用
摘要 基于电力电子 (PE) 的可再生能源越来越多地融入电力系统，与以同步发电机组为主的电力系统中的故障电流相比，对故障电流的传统水平和特性产生了重大影响。可再生能源丰富的电力系统的安全运行需要对高可再生能源份额的各种场景中的故障电流进行适当的估计。虽然使用详细而复杂的时域动态模拟可以计算故障电流，但从操作角度来看，由此产生的建模复杂性和计算负担可能不够。因此，有必要开发替代的更快的数据驱动故障电流估计方法来支持系统操作员。为此，本文利用基于人工神经网络 (ANN) 的工具来估计电力电子可再生能源渗透率高的电力系统中的短路电流特性。使用 DIgSILENT PowerFactory 离线生成针对不同可再生能源渗透率的短路，同时考虑可再生能源的控制要求（例如，故障穿越要求）。生成的数据集用于训练 ANN，以提供渗透水平与短路电流特性之间的映射。使用改进的 IEEE 9 总线测试系统应用该方法证明了其有效性，可以仅基于基于电力电子的可再生能源的渗透率高精度地估计短路电流（亚瞬态电流、瞬态电流和峰值电流）的分量。
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。
论大脑、行为和人工神经网络的逻辑推理
摘要 在认知、计算和神经科学领域，从业者经常推理计算模型代表或学习什么，以及实例化什么算法。这种推理的假定目标是将有关所讨论模型的主张概括为有关思维和大脑以及这些系统的神经认知能力的主张。这种推理通常基于模型在任务上的表现，以及该表现是否接近人类行为或大脑活动。在这里，我们展示了这种论证如何使模型与其目标之间的关系复杂化；我们强调人工神经网络 (ANN)，尽管任何落入相同推理模式的理论-大脑关系都存在风险。在本文中，我们在一个正式框架——元理论演算——内对从 ANN 到大脑再返回的推理进行建模，以便就如何广泛理解和使用模型以及如何最好地正式描述它们及其功能展开对话。为此，我们从已发表的记录中表达了关于模型在一阶逻辑中的成功和失败的主张。我们提出的形式化方法描述了科学家在裁决理论时制定的决策过程。我们证明，将文献中的论证形式化可以揭示理论与现象之间关系的潜在深层问题。我们讨论了这对认知科学、神经科学和心理学研究的广泛意义；当模型失去以有意义的方式在理论和数据之间进行调解的能力时，这意味着什么；以及这对我们的领域在进行高级科学推理时部署的元理论演算意味着什么。
使用机器学习的人工神经网络
机器学习 (ML)，特别是基于人工神经网络 (ANN) 的算法，是数学、统计学、计算机科学和神经科学等不同学科交叉的研究领域。这种方法的特点是使用算法从大型异构数据集中提取知识。除了简要介绍基于 ANN 算法的 ML 之外，本文还将重点介绍其在社会科学中的可能应用，特别是其在数据分析程序中的潜力。在这方面，我们将提供三个社会数据应用示例，以评估 ML 在变量关系研究中的影响。最后，我们将比较 ML 与传统数据分析模型的潜力。
人工神经网络：简要研究
这些网络模仿生物神经网络，尽管它们使用的是生物大脑系统中发现的原理的子集。特别是 ANN 模型模仿大脑和神经系统的电活动。处理元件（也称为神经元或感知器）相互通信。人工神经网络由三个或更多相互连接的层组成。第一层由输入神经元组成。这些神经元将数据发送到更深的层，更深的层将最终输出数据传送到最后的输出层。内层都是隐藏的，由单元构建，这些单元通过一系列转换自适应地将接收到的信息从一层更改为另一层。每一层都充当输入层和输出层，使 ANN 能够理解更复杂的事物。这些内层统称为神经层。为了得到解决方案，ANN 使用数据样本而不是整个数据集，这样既节省时间又节省金钱。ANN 是用于改进现有数据分析技术的简单数学模型。
人类和人工神经网络中计算机程序的收敛表示
在理解过程中，人类大脑会表现计算机程序的哪些方面？我们通过分析程序员理解 Python 代码的功能性磁共振成像 (fMRI) 研究得出的大脑记录来研究这个问题。我们首先评估一系列静态和动态代码属性，例如抽象语法树 (AST) 相关和运行时相关指标，并研究它们与神经大脑信号的关系。然后，为了了解大脑表征是否编码了有关计算机程序的细粒度信息，我们训练了一个探测器，将大脑记录与一套在代码上训练的 ML 模型学习到的表征进行对齐。我们发现，多需求和语言系统（负责非常不同的认知任务的大脑系统）都编码了特定的代码属性，并与机器学习的代码表征唯一一致。这些发现表明至少有两种不同的神经机制介导计算机程序的理解和评估，促使设计超越静态语言建模的代码模型目标。我们将所有相应的代码、数据和分析公开发布在 https://github.com/ALFA-group/code-representations-ml-brain
文章使用人工神经网络估计机器人的运动学和工作空间
摘要：目前，在特定而复杂的工业操作中，机器人必须满足某些要求和标准，如高运动学或动态性能、工作空间的特定尺寸或机器人移动元件尺寸的限制。为了满足这些标准，必须对机器人进行适当的设计，这需要多年的实践以及人类设计师的适当知识和经验。为了协助人类设计师进行机器人设计，已经开发了几种方法（包括优化方法）。本文解决的科学问题是开发一种人工智能方法，使用前馈神经网络来估计机器人的工作空间大小和运动学。该方法应用于由基座平台、移动平台和六个运动旋转万向球面开环组成的并联机器人。数值结果表明，通过适当的训练和拓扑结构，前馈神经网络能够根据末端执行器的姿态正确估计工作空间体积值和广义坐标值。