XiaoMi-AI文件搜索系统
World File Search System学习机
研究文章转移具有输出权重对准的极限学习机
极限学习机（ELM）是模式识别和机器学习中的快速且有效的神经网络模型，当标记的训练样本不足以使其下降。转移学习通过使用不同但相关域中的大量标记样本来帮助目标任务学习可靠的模型。在本文中，我们提出了一台具有知识传递性的监督极限学习机器，称为“转移极限学习机器”，具有输出权重对齐（telm-Owa）。首先，它通过对齐由来自源和目标域标记的样品训练的ELM的输出权重矩阵来减少域之间的分布差异。其次，将域间ELM输出权重矩阵之间的近似值添加到目标函数中，以进一步实现知识的跨域转移。tirdly，我们将目标函数视为最小平方问题，并将其转换为标准的ELM模型，以便有效地解决。最后，通过对16组图像数据集和6组文本数据集进行了分类实验对所提出算法的效果进行了验证，结果证明了我们方法相对于其他ELM模型和转移学习方法的竞争性能。
手部运动多层极限学习机...
脑机接口 (BCI) 技术通过脑电图 (EEG) 将人与机器连接起来。BCI 的机制是模式识别，通过特征提取和分类进行。各种特征提取和分类方法可以区分人类的运动，尤其是手部运动。这些方法的组合可以大大提高结果的准确性。本文探讨了多层极限学习机 (ML-ELM) 计算的九种特征提取类型的性能。在不同数量的 EEG 通道和不同的 ML-ELM 结构上测试了所提出的方法。此外，在离线模式下对真实和虚构的手部运动进行分类时，将 ML-ELM 的性能与 ELM、支持向量机和朴素贝叶斯的性能进行了比较。以离散小波变换 (DWT) 作为特征提取的 ML-ELM 优于其他分类方法，最高准确率为 0.98。因此，作者还发现结构影响 ML-ELM 对不同任务、使用的特征提取和使用的通道的准确性。
在交流中使用极限学习机...
大脑计算机界面（BCI）正在为患有严重残疾的人提供替代的沟通渠道，而大部分嗡嗡声来自该方面，但最近几位硅谷有远见的人声称BCIS声称BCIS将改变我们未来与技术的交流方式（Zuckerberg，Zuckerberg，Jepsen，Jepsen，Musk，Johnson，Johnson，...）。bcis使用多种算法依靠需要通过示例基于示例的学习过程来调整的参数，以精神控制应用程序或实现其他形式的通信的目的解码大脑信号。因此，此学习过程至关重要，并且经常在单个BCI用户上执行以确保卓越的性能水平。学习过程可以在计算上很耗时，并且通常涉及先验知识，并且可以对用户征税。极限学习机（ELMS）已在各种AI应用中使用，但在BCIS中尚未使用，在BCIS中，它们因其良好的概括性能和比（深度学习）网络快数千次学习的能力而受到赞誉。elms实际上是单层或多层网络，其隐藏的神经元权重是随机分配的，并且在单个步骤中学习的输出权重。以最简单的形式沸腾，归结为单个隐藏层的sigmoid神经网络和线性输出神经元，其权重是通过应用伪内膜获得的。
![Elgammal, Ahmed；Mazzone, Marian。2020 年。《Playform 中的艺术家、人工智能和基于机器的创造力》。收录于：Andrés Burbano；Ruth West（协调）《人工智能、艺术与设计：质疑学习机器》。Artnodes，第 26 期：1-8。UOC。[访问时间：dd/mm/yy]。http://doi. org/10.7238/a.v0i26.3366](/simg/9/91e1704c128d45cf2219a051bad22e3339c53a54.png)
Elgammal, Ahmed；Mazzone, Marian。2020 年。《Playform 中的艺术家、人工智能和基于机器的创造力》。收录于：Andrés Burbano；Ruth West（协调）《人工智能、艺术与设计：质疑学习机器》。Artnodes，第 26 期：1-8。UOC。[访问时间：dd/mm/yy]。http://doi. org/10.7238/a.v0i26.3366
随着人工智能逐渐融入我们日常生活的各个方面，从手机到汽车驾驶，艺术家开始尝试人工智能也是理所当然。然而，这并不是一个全新的趋势。自 50 多年前人工智能诞生以来，艺术家们一直在编写计算机程序来创作艺术作品，在某些情况下还融入了智能元素。这类作品最著名的早期例子是哈罗德·科恩和他的艺术创作程序 AARON，该程序创作的画作遵循科恩硬编码的一套规则。但人工智能在过去几十年中不断发展，融入了机器学习技术。结果之一就是出现了一股以不同方式使用人工智能创作艺术的新浪潮。与传统的算法艺术不同，在算法艺术中，艺术家必须事先编写详细的代码来指定所需美学的规则，而现在，艺术家可以通过机器学习查看许多图像来“学习”美学。然后，算法才会生成遵循其所学美学的新图像。这一类中使用最广泛的工具是生成对抗网络 (GAN)，由 Goodfellow 于 2014 年推出 (Goodfellow 2014)，已在 AI 社区的许多应用中取得成功。GAN 的发展引发了这一新的 AI 艺术浪潮。图 1 描绘了使用类似 GAN 的算法制作艺术品所涉及的创作过程。艺术家选择一组图像来输入算法 (预处理)。然后，这些图像被输入到试图模仿这些输入的生成 AI 算法中。在最后一步，艺术家筛选许多输出图像以整理最终的集合 (后期处理)。在 Artrendex，我们开发了 Playform (www.Playform.io) 作为 AI 艺术工作室，让艺术家在创作过程中使用生成 AI 系统。我们的目标是让艺术家能够使用这项技术，解决一些问题并减少艺术家面临的挑战
基于高斯映射蝙蝠算法的VGG和极限学习机诊断脑微出血
摘要 脑微出血（CMB）是一个严重的公共健康问题。它与痴呆症有关，可以通过脑磁共振图像（MRI）检测到。CMB 在 MRI 上通常表现为微小的圆点，它们可以出现在大脑的任何地方。因此，人工检查既繁琐又耗时，而且结果通常难以重现。本文提出了一种基于深度学习和优化算法的新型 CMB 自动诊断方法，该方法以脑 MRI 作为输入，将诊断结果输出为 CMB 和非 CMB。首先，使用滑动窗口处理从脑 MRI 生成数据集。然后，使用预训练的 VGG 从数据集中获取图像特征。最后，使用高斯映射蝙蝠算法（GBA）训练 ELM 进行识别。结果表明，所提出的方法 VGG-ELM-GBA 比几种最先进的方法具有更好的泛化性能。
摘要 本培训手册为海军和海军预备役人员准备，介绍了眼镜店使用的理论和实践技能。结合镜子、棱镜、透镜和基本光学系统分析了光学理论。在学习机械设计和构造基础知识后，学习了维护程序，以便获得光学维修的一般知识。特别介绍了望远镜、望远镜、磁罗盘、方位角和方位角圈、六分仪、测距仪、望远镜、双筒望远镜、潜艇潜望镜和夜视瞄准器等仪器。为了给读者提供足够的背景知识，还讨论了车床、磨床、……铣床和钻床的操作。除了用于解释目的的插图外，还提供了有关光学零件结构的信息。 (CC)
摘要 本培训手册为海军和海军预备役人员准备，介绍了光学商店使用的理论和实践技能。结合镜子、棱镜、透镜和基本光学系统分析光学理论。系统。遵循机械设计和构造的基础知识，研究维护程序，以提供一般的知识。光学维修。 特别的。描述了诸如望远镜、望远镜、磁罗盘、方位角和水平仪、六分仪、测距仪、望远镜、双筒望远镜、潜艇潜望镜和夜视瞄准器之类的仪器。为了给读者提供足够的背景知识，还讨论了车床、磨床、铣床和钻床的操作。除了用于解释目的的插图外，还提供了有关光学Mara评级结构的信息。(CC)