XiaoMi-AI文件搜索系统
World File Search System深神
基于EEG的驱动疲劳检测，使用两级学习层次径向基础函数 将药物重新定位到阿尔茨海默氏病的三孔深神经网络中的线粒体融合蛋白2 表观遗传时钟捕获的DNA甲基化加速年龄影响乳腺癌风险
脑电图（EEG）的驾驶疲劳检测最近由于脑电图技术的非侵入性，低成本和可饮用的性质而引起了人们的关注，但是从嘈杂的EEG EEG信号中提取信息以驱动疲劳检测的嘈杂的EEG信号仍然具有挑战性。径向基函数（RBF）神经网络由于其线性参数网络结构，强大的非线性近似能力和所需的概括属性而吸引了很多注意力。RBF网络性能在很大程度上取决于网络参数，例如隐藏节点的数量，中心向量的数量，宽度和输出权重。但是，直接优化所有网络参数的全局优化方法通常会导致高评估成本和缓慢的收敛性。为了提高基于EEG的驱动疲劳检测模型的准确性和效率，本研究旨在开发两级学习层次结构RBF网络（RBF-TLLH），该网络（RBF-TLLH）允许对关键网络参数进行全局优化。在模拟驾驶环境中，在疲劳和警报状态下，在疲劳和警报状态下收集了实验性脑电图数据。首先利用主成分分析来从EEG信号中提取特征，然后使用拟议的RBF-TLLH用于驾驶状态（疲劳与警报）分类。结果表明，与其他广泛使用的人工神经网络相比，提出的RBF-TLLH方法实现了更好的分类性能（平均准确性：92.71％；接收器工作曲线下的面积：0.9199）。此外，只需要使用拟议的RBF-TLLH分类器中的培训数据集确定三个核心参数，这增加了其可靠性和适用性。发现表明，提出的RBF-TLLH方法可以用作可靠的基于EEG的驱动疲劳检测的有希望的框架。
图像完成的自我监视的深神经网络类似于早期的视觉皮层fMRI活动模式
人工智能在理解生物学视觉方面的承诺依赖于将计算模型与大脑数据的比较，以捕获视觉信息处理的功能原理。卷积神经网络（CNN）成功地匹配了沿着大脑前馈视途径延伸到腹侧颞叶皮质中的层次处理中的转换。但是，我们仍然要了解CNN是否可以成功地描述早期视觉皮层中的反馈过程。在这里，我们研究了人类早期视觉皮层和具有编码器/解码器体系结构的CNN之间的相似性，并接受了自我监督的学习训练以填充闭塞并重建了看不见的图像。使用代表性相似性分析（RSA），我们比较了人类参与者中未刺激的早期视觉皮层贴片的3T fMRI数据，这些数据是查看部分遮挡图像的人，以及来自同一图像的CNN层激活不同。结果表明，我们的自我监督图像完成网络在与fMRI数据的相似性方面优于经典的对象识别网络（VGG16）。这提供了其他证据，表明视觉系统的最佳模型可能来自较少的监督训练的饲养架构。我们还发现，与编码器激活相比，CNN解码器途径激活与大脑处理更相似，这表明早期视觉皮层中的中和低/中级特征的整合。挑战AI模型和人脑解决相同的任务提供了一种将CNN与大脑数据进行比较的宝贵方法，并有助于限制我们对信息处理的理解，例如神经元预测性编码。
高对比度的“ Gaudy”图像改善了视觉皮层的深神经网络模型的训练
理解视觉系统的感觉转换的关键挑战是获得一个高度预测的模型，该模型将自然图像映射到神经反应。深神经网络（DNNS）为这种模型提供了有前途的候选人。但是，由于实验记录时间受到严重限制，DNN要求比神经科学家可以收集的训练数据多。这促使我们找到了用尽可能少的培训数据训练高度预测的DNN的图像。，我们提出了自然图像的高对比度，双核版本（Termed Gaudy图像），以有效地训练DNNS，以预测高阶的视觉皮质响应。在对真实神经数据的仿真实验和分析中，我们发现具有艳丽图像的训练DNN大大减少了准确预测对自然图像的响应所需的训练图像的数量。我们还发现，在训练之前选择的谨慎图像优于通过主动学习算法在训练期间选择的图像。因此，谨慎的图像过多地强调了自然图像的特征，这对于有效地训练DNN最重要。我们认为，艳丽的图像将有助于对视觉皮质神经元的建模，这有可能打开有关视觉处理的新科学问题。
研究基于电阻开关设备的量化硬件深神经网络，常规方法和卷积方法
没有沟通我们就无法生存，甚至无法存在。由于我们是社会存在，因此毫无疑问，我们受到交流过程的影响和调节。尽管我们受到交流影响的影响，但我们也能够仅通过交流来影响我们的环境。从某种意义上说，我们可以说我们是人类，因为我们传达了我们的感受，情感，思想或原因。同时，我们目前正在经历通信方法的急剧变化。似乎我们进行交流的方式正在从面对面变成数字化。我们生活在一个全球和数字互连的世界中。以Facebook或WhatsApp为例。据估计，在2020年的前半段，Facebook和WhatsApp分别拥有2.50万和2000万用户（www.statista.com）。如果我们认为Covid-19的大流行迫使世界隔离，这将有助于增加通信数字工具的使用情况，那么这些数字就会更高。例如，居住在退休房屋中的老年人已经适应使用数字设备与亲戚进行交流，这对于几个月前的一些人来说是不可想象的。如果估计正确，则数字字节的数量将很快超过已知宇宙中的恒星数量（Butler，2016年）。大致来说，数字信息的数量呈指数增长，计算机的功能每年都会增加一倍。我们认为，潜在的不可靠和大量可用的数字信息对人脑构成威胁。考虑到其系统发育进化（Dehay and Kennedy，2020年），我们的大脑可以轻松地适应大量的电子数据，但我们认为，当将嵌入在数字社会中的大脑概念化时，这种情况会带来一些挑战。首先，这种信息超负荷会挑战我们的大脑，因为我们的认知系统在某些级别的信息处理中受到限制（Sweller，2020）。可能不可靠，混乱甚至矛盾的信息能够破坏人类大脑的稳定。我们并不抱怨技术的发展或生产大量数字数据，但我们想指出，在过渡到更健康，更安全的数字发电时，值得谨慎的注意。尽管我们同意我们当前的数字社会有可能为我们提供信息来解决持久的社会问题（Ledford，2020; Shah，2020年），但我们还必须意识到，我们用于此目的的技术可能会偏向于这些问题，而不是改变这些问题的力量状态 - 产生这些问题（Curtland，2018; Kalluri，2018; Kalluri，2018; Kalluri，2020; Saltelli et; Saltelli et 2020 al al an al an an al an al an al an al an al an an al 2020）。因此，我们想强调一些我们认为值得考虑的主题，以帮助子孙后代不要在数字沟通的社会影响下挣扎。
使用深神网络和稀疏自动编码器
基于大脑计算机界面（BCI）系统的情绪分类是一个吸引人的研究主题。最近，已经对BCI系统的情绪分类进行了深入学习，并与传统的分类方法进行了比较。在本文中，提出了一种新型的深层神经网络，用于使用脑电图系统进行情绪分类，该系统结合了卷积神经网络（CNN），稀疏自动编码器（SAE）和深神经网络（DNN）。在拟议的网络中，CNN提取的功能首先发送到SAE进行编码和解码。然后将冗余降低的数据用作分类任务的DNN的输入特征。使用DEAP和种子的公共数据集用于测试。实验结果表明，所提出的网络比情绪识别的常规CNN方法更有效。对于DEAP数据集，价值和唤醒的最高识别精度分别达到了89.49％和92.86％。但是，对于种子数据集，最佳识别精度达到96.77％。通过组合CNN，SAE和DNN并分别训练它们，提出的网络被显示为具有比常规CNN更快的收敛速度的有效方法。
基于深神经网络的高频交易策略
机器学习（ML）的最新概念和工程突破，尤其是在深层神经网络（DNN）中，已经改变了计算机科学领域，并负责在计算机视觉，语音识别，面部识别，交易，交易欺诈检测，自动欺诈，自动转换，视频对象跟踪，Nat-ural语言处理和鲁兰特的过程中的良好态度的突破性，以及我们的生活。金融产业并没有忽视这场革命。自从引入第一个ML技术以来，在某些情况下，在某些情况下渲染的财务建模和决策工具在某些情况下有限，而在其他情况下，总体而言，并不像其他领域一样令人惊讶的结果。ML的一些最具挑战性的问题出现了，例如，价格预测不仅需要最先进的ML技术，还需要其他非标准和不常见的方法和技术，从而赋予了一个名为Financial ML的新菲尔德（Financial ML）的起源，该名为Financial ML的起源是由Lopez de prado于上一年为洛佩兹·德·普拉多（Lopez de Prado）奠定了。