XiaoMi-AI文件搜索系统
World File Search System神经计算
IBM 神经计算机架构概述
摘要 —IBM 神经计算机 (INC) 是一种高度灵活、可重新配置的并行处理系统，旨在作为新兴机器智能算法和计算神经科学的研究和开发平台。它由数百个可编程节点组成，主要基于 Xilinx 的现场可编程门阵列 (FPGA) 技术。节点以可扩展的 3d 网格拓扑互连。我们概述了 INC，强调了其独特功能，例如执行的计算类型和可用的通信模式的灵活性和可扩展性，从而实现了新的机器智能方法和学习策略，而这些方法和策略并不适合 GPU 优化的矩阵操作/SIMD 库。本文介绍了机器的架构，应用程序将在其他地方详细描述。
自尊心低的年轻人基于异常社会学习的神经计算机制
抽象的低自尊是一系列精神疾病的危险因素。从认知的角度来看，可以通过从社会反馈中获得的自我价值学习来维持负面的自我形象。我们先前表明，代表预期和实际社会反馈之间差异（即社会预测错误）之间差异的神经教学信号驱动自我价值的浮动。在这里，我们使用基于模型的功能磁共振成像（fMRI）来表征从基于人群样本（n = 2402）的61名参与者中的社会预测错误中学习，这些误差是根据自尊得分的最底层或前10％招募的。参与者在fMRI扫描过程中执行了社会评估任务，这需要预测其他人是否喜欢他们以及重复提供报告的自我价值感。计算建模结果表明，低自尊参与者对其他人会不喜欢他们的期望持续存在，并且降低了以响应社会预测错误来更新这些期望的倾向。低自尊心的受试者在报告的自我价值中也表现出增强的波动性，这与确定瞬时自我价值的社会预测错误的趋势增加了。规范相关性分析表明，自尊的个体差异与几个围绕人际交往的单个维度组织的几种互连的精神病症状有关。在收到社会反馈后，在对被喜欢的预测进行预测时，这种人际脆弱性与腹侧前额叶皮层的社会价值信号相关，并增强了背额叶前皮层活动。我们建议这些低自尊心及其相关神经基础的计算签名可能代表了精神疾病发展的脆弱性。
EEG数据分析与堆叠的可区分神经计算机EEG数据分析与堆叠的可区分神经计算机
抽象可区分的神经计算机（DNC）在解决复杂问题方面表现出了显着的功能。在本文中，我们建议将增强的可区分神经计算机堆叠在一起，以扩展其学习能力。首先，我们对DNC进行了直观的解释来解释建筑本质，并通过将其与常规的经常性神经网络进行对比，证明了堆叠的可行性。其次，提出了堆叠DNC的结构，并修改了脑电图（EEG）数据分析的构建。我们用经常性的卷积网络控制器替换原始的长期短期内存网络控制器，并调整用于处理EEG EEG地形数据的内存访问结构。第三，我们提出的模型的实用性由开源的EEG数据集验证，其平均精度最高。然后，在调整参数后，我们显示了在专有EEG数据集上获得的最小平均误差。最后，通过分析训练有素的堆叠DNCS模型的行为特征，我们强调了在EEG信号处理中利用堆叠的DNC的适当性和潜力。
神经计算和应用
摘要：癫痫尖峰是脑电图中互补的信息来源，可以诊断和定位癫痫的起源。但是，不仅对脑电图劳动的视觉检查不仅是耗时，而且耗时且容易出现人为错误，而且还需要长期培训才能获得识别癫痫释放所需的技能水平。因此，采用了计算机辅助方法，目的是节省时间并提高检测和来源定位精度。由于形态相似，可能被混淆为癫痫尖峰的最重要伪影之一是眼睛眨眼。只有少数研究考虑在检测前去除此伪像，并且大多数使用视觉检查或计算机辅助方法需要专家监督。因此，在本文中，开发了一个无监督和基于脑电图的系统，具有嵌入式眼睛眨眼伪影的去除剂，以检测癫痫尖峰。所提出的系统包括三个阶段：眼睛眨眼伪影，特征提取和分类。小波变换均用于移除和特征提取步骤，以及用于分类目的的自适应神经模糊推理系统。使用公开可用的脑电图数据集对所提出的方法进行了验证。与类似的研究相比，结果显示了使用低分辨率EEG使用低分辨率EEG，计算复杂性，最高灵敏度和较小的人类相互作用的低分辨率EEG检测癫痫尖峰的效率。此外，由于癫痫尖峰检测是癫痫源定位的重要组成部分，因此该算法可用于基于脑电图的癫痫病前术前评估。