XiaoMi-AI文件搜索系统
World File Search System神经网络
神经网络和密码学的二分法 - MDPI
摘要：近年来，神经网络和加密方案既是战争又是和平，这种相互影响形成了值得全面研究的二分法。神经网络可用于对抗密码系统；它们可以在密码分析和对加密算法和加密数据的攻击中发挥作用。这种二分法的这一面可以解释为神经网络宣战。另一方面，神经网络和加密算法可以相互支持。神经网络可以帮助提高密码系统的性能和安全性，加密技术可以支持神经网络的机密性。二分法的后者可以称为和平。据我们所知，目前还没有一项调查全面研究神经网络目前与密码学交互的多种方式。本调查旨在通过概述神经网络和密码系统之间的相互影响状态来填补这一空白。为此，本文将重点介绍目前正在取得进展的领域以及未来研究还有待进一步研究的方面。
飞机人工神经网络的数学方法...
摘要 – 飞机维护、修理和大修 (MRO) 是飞机生命周期成本 (LCC) 的主要组成部分之一。提高 MRO 效率并降低 MRO 成本是降低 LCC 的主要方法之一。在现代航空技术中，航空电子设备的复杂性及其维护量不断增加。传统的故障预测方法难以应用于复杂的技术系统，因此有必要缩短 MRO 间隔。本研究提出了人工神经网络 (ANN) 的数学方法作为解决此问题的可能方法。无人机 (UAV) 的航空电子设备是研究对象。分析了传统方法和 ANN 方法的可靠性和故障预测，并进行了结果比较。研究表明，所用方法适用于解决此问题。所得结果显示可靠性很高。建议进一步研究以扩展到更复杂的航空电子设备飞机。在 MRO 系统中引入 ANN 具有许多优势，包括可以增加航空电子设备的维修间隔和故障预测，同时考虑到外部运营因素。这必然会降低 LCC 并提高安全性。
人工神经网络分子编码...
用于材料建模的人工神经网络 (ANN) 引起了广泛关注。我们最近报告了一种基于玻尔兹曼机 (BM) 架构的 ANN 改编版，该改编版适用于多配置多电子波函数的拟定，称为神经网络量子态 (NQS)，用于量子化学计算。本文，本研究将其扩展形式化为一种量子算法，该算法能够通过量子门准备 NQS。ANN 模型的描述符被选为电子配置的占用，以量子力学方式由量子位表示。因此，我们的算法可能比以前研究中使用的基于经典采样的计算具有潜在优势。NQS 可以通过量子原生程序准确形成，但模型在能量最小化方面的训练是在经典计算机上进行的；因此，我们的方法是一类变分量子特征求解器。 BM 模型与 Gibbs 分布相关，我们的准备程序利用了量子相位估计技术，但没有哈密顿演化。通过在量子计算机模拟器上实现该算法来评估该算法。显示了在完全活性空间配置相互作用理论水平上的说明性分子计算，证实了与我们之前的经典方法的准确性一致。
超维计算与神经网络
摘要 — 超维计算 (HDC) 作为一种新兴的非冯·诺依曼计算范式得到了广泛关注。受人脑功能方式的启发，HDC 利用高维模式执行学习任务。与神经网络相比，HDC 表现出节能和模型尺寸较小等优势，但在复杂应用中的学习能力却低于平均水平。最近，研究人员观察到，当与神经网络组件结合时，HDC 可以获得比传统 HDC 模型更好的性能。这促使我们探索 HDC 理论基础背后的更深层次见解，特别是与神经网络的联系和差异。在本文中，我们对 HDC 和神经网络进行了比较研究，以提供一个不同的角度，其中 HDC 可以从预先训练的极其紧凑的神经网络中衍生出来。实验结果表明，这种神经网络衍生的 HDC 模型可以分别比传统和基于学习的 HDC 模型实现高达 21% 和 5% 的准确率提高。本文旨在为这种流行的新兴学习方案的研究提供更多见解并指明未来方向。
人工神经网络和深度学习
奥卢应用科学大学信息与通信技术、软件开发 姓名：Seila Laakso 标题：人工神经网络和深度学习及其在未来应用开发中的可能性和局限性 指导老师：Jukka Jauhiainen 学期和完成年份：2022 年秋季 页数：39 本论文以研究文章的形式讨论了人工神经网络的历史、结构和用途。论文的开头对人工智能进行了一般性的讨论：例如它的不同层次和历史。本节还提供了有关智能（尤其是人工智能）的定义的信息。论文的第三部分讨论了人工神经网络。本节详细介绍了神经网络的结构并讨论了其运行原理。本节还讨论了神经网络学习的不同方式，并回顾了与人工神经网络技术相关的最常见术语。最后部分讨论了人工神经网络的特性。它的局限性以及其使用的好处和可能性。本节还介绍了人工神经网络在各个工业领域应用的实际案例。论文使用了大量各个领域的研究材料，并参考了几本研究人工智能的大量教科书。所用材料包括印刷文献和在线材料。论文的结论是：在不久的将来，神经网络技术的发展正在加速，新的创新不断涌现。技术中需要开发的问题包括其不可预测性和黑箱式的运行原理，这使得诊断和修复潜在问题变得困难。论文附有一个名为ProGAN DaliA的人工智能项目的最终报告。该项目是作为这篇毕业论文的一部分进行的。 ProGAN DaliA 是一个渐进式生成对抗神经网络，可以根据给定的图像数据创建新的艺术作品。关键词：神经网络、深度学习、人工智能、图像识别、AI、感知器
反复发生的神经网络用于...
httpps：/so4sociaty.sa.it/projections/machine-marning-marning-me-me-sive-sive-sive-teve-teve-teve-fen-fen-me-chein-mate-mate-
使用复发神经网络（RNN）
在本文中，我们使用复发性神经网络（RNN），该神经网络（RNN）结合了多个门控复发单元（GRUS），长期短期记忆（LSTM）和Adam Optimizer来开发用于心脏病预测的新的混合学习模型。该提出的模型的出色精度为98.6876％。该提出的模型是GRU和RNNS模型的混合体。该模型是在Python 3.7中开发的，通过整合与Keras和Tensorflow一起工作的多个GRU和RNN作为深度学习过程的后端，并得到各种Python库的支持。使用RNN的最新模型可实现98.23％的精度，而深神经网络（DNN）的精度达到了98.5％。由于神经网络的复杂设计，在神经网络模型中具有冗余性的大量神经元以及克利夫兰不平衡的数据集，现有模型的常见缺点是准确性较差。实验，结果表明，使用RNN的拟议模型和几个具有合成少数族裔过采样技术（SMOTE）的GRU达到了最高水平的性能。完成了。这是他使用Cleveland数据集的RNN最准确的结果，并且显示出对患者心脏病的早期预测的希望。
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：
光学神经网络量子态断层扫描
摘要：量子态层析成像 (QST) 是实验量子信息处理几乎所有方面的关键要素。作为量子环境中“成像”技术的类似物，QST 天生就是一个数据科学问题，机器学习技术（尤其是神经网络）已得到广泛应用。我们构建并演示了用于光子偏振量子比特 QST 的光学神经网络 (ONN)。ONN 配备了基于电磁感应透明性的内置光学非线性激活函数。实验结果表明，我们的 ONN 可以准确确定量子比特状态的相位参数。由于光学对于量子互连非常有需求，我们的 ONN-QST 可能有助于实现光量子网络，并启发将人工智能与量子信息研究相结合的想法。