XiaoMi-AI文件搜索系统
World File Search SystemConvolutional
图形卷积网络用于模拟多孔介质中的多相流量和传输
多孔介质中多相流体动力学的数值模拟对于地球地下的许多能量和环境应用至关重要。数据驱动的次要模型为高保真数字模拟器提供了计算廉价的替代方案。虽然常用的卷积神经网络（CNN）在近似部分微分方程解决方案方面具有强大的功能，但CNN处理不规则和非结构化的模拟网格仍然具有挑战性。然而，地球地下的模拟模型通常涉及与复杂的网格网格的非结构化网格，从而限制了CNN的应用。为了应对这一挑战，我们基于图形卷积网络（GCN）构建了替代模型，以近似多孔介质中多相流和传输过程的空间 - 周期解。我们提出了一种适合耦合PDE系统双曲线特征的新GCN体系结构，以更好地捕获传输动力学。2D异质测试案例的结果表明，我们的替代物以高精度预测压力和饱和状态的演变，并且预测的推出对于多个时间步中仍然稳定。此外，基于GCN的模型可以很好地推广到训练数据集中看不见的不规则域几何和非结构化网格。
调查运动历史图像和卷积神经网络，以供孤立的爱尔兰手语手指识别
摘要手语的全球能力有限，是通过重要和必要的计算处理来改善聋人和听力障碍社区的沟通。为了解决这个问题，我们的研究利用了爱尔兰手语形状（ISL-HS）数据集和最先进的深度学习体系结构来识别爱尔兰手语字母。我们通过使用运动历史图像（MHIS）来监视手语动作，简化特征提取方法，并为有效利用卷积神经网络（CNN）铺平道路。在这项研究中研究了许多强大的CNN体系结构在MHI中捕获的复杂运动模式中的有效性。该过程包括从ISL数据集生成MHI，然后使用这些图像训练多个CNN神经网络模型，并评估其识别爱尔兰手语字母的能力。结果证明了使用高级CNN调查MHI以增强手语识别的可能性，并以值得注意的精度百分比。通过为爱尔兰手语的语言处理工具和技术的开发做出贡献，这项研究有可能解决爱尔兰聋哑和听力障碍社区缺乏技术交流的可访问性和包容性。
实施卷积神经网络（CNN ...
在印度尼西亚，自上次冠状病毒大流行以来，自主机器人的发展已经大量出现。A-UV消毒机器人的目的是在关键区域（例如医院）净化细菌和病原体。由于微小的生物可能难以控制，因此没有让人接触的预期是A-UV消毒机器人的其他目的之一。但是，自主机器人的系统开发是优先事项，机器人可以在到达指定位置时提供无碰撞障碍物和目标锁。在这项研究中，提出了两项主要贡献来开发自动驾驶机器人：1）卷积神经网络（CNN）算法，以了解从数据集中锁定区域周围的潜力，以确保操作过程中无碰撞。2）原始设计，以确保具有几乎全向紫外线的自主机器人的紧凑性。我们将“盒子”作为障碍物和“标志停止”设计为CNN数据集中的目标。培训和验证绩效的绩效已确认为97％和99％，损失为0.3％。机器人原型也在大小为2.1 x 3 m的工作区内开发和测试。机器人原型成功执行了所需的任务。
使用卷积神经网络
声音分类在当今世界的各个领域都有其用途。在本文中，我们将借助机器生成的声音数据来介绍声音分类技术，以检测故障机器。重点是确定音频分类方法的相关性，以通过声音检测有故障的电动机；在嘈杂和无噪声的情况下；因此，可以减少工厂和行业的人类检查要求。降低降噪在提高检测准确性方面起着重要的作用，一些研究人员通过为基准测试其模型而添加噪声来模拟数据。因此，降噪广泛用于音频分类任务。在各种可用方法中，我们实施了一种自动编码器来降低噪声。我们使用卷积神经网络对嘈杂和DeNo的数据进行了分类任务。使用自动编码器将分类的分类准确性与嘈杂的数据进行了比较。进行分类，我们使用了频谱图，MEL频率CEPSTRAL CO-EFIFIED（MFCC）和MEL光谱图图像。这些过程产生了令人鼓舞的结果，从而通过声音区分了故障的电动机。
卷积神经网络架构的深度学习综述
摘要：深度学习 (DL) 计算机范式在过去几年中一直是机器学习 (ML) 的行业标准。它逐渐成为机器学习中最广泛使用的计算技术。DL 的优点之一是它能够学习大量数据。深度学习在过去几年中取得了巨大的发展，并已成功用于许多传统应用。更重要的是，DL 在网络安全、生物信息学、机器人等多个领域的表现都优于流行的机器学习算法。尽管该领域已经为几篇回顾 DL 最新进展的作品做出了贡献，但每篇作品都只涵盖了该领域的一个特定方面，但该领域仍然大部分尚未得到普及。因此，我们提出了一种更全面的方法，为全面理解 DL 提供了更合适的基础。关于最重要的 DL 特性，包括该领域的最新进展，本次评估旨在提供更全面的调查。本研究具体描述了 DL 网络和技术的种类及其重要性。然后介绍最常见的 DL 网络类型——卷积神经网络 (CNN) 及其发展历程。
统一卷积稀疏变换器用于脑电图原始数据的疾病诊断、监测、药物开发和治疗效果预测
简单总结：脑电图为大脑活动提供了宝贵的见解，具有多种医疗用途，包括诊断、监测、药物发现和治疗评估。我们提出了一种人工智能模型，该模型经过独特优化，通过直接处理原始数据来分析脑电图信号。该模型通过空间通道注意和稀疏变压器编码等专用组件捕获脑电图中复杂的空间和时间模式。经过广泛评估，我们的模型在检测脑部疾病和分类精神药物方面表现出很高的准确性。通过自动学习原始脑电图数据的表示，它可以很好地适应疾病、受试者和任务。该模型的端到端学习能力和任务多功能性构成了一个强大且广泛适用的自动脑电图分析解决方案。我们相信它有潜力显著推进基于脑电图的诊断和个性化医疗。
使用多跳图注意力结合卷积神经网络进行大脑年龄预测
摘要：卷积神经网络（CNN）已被广泛用于根据脑磁共振（MR）图像预测生物大脑年龄。然而，CNN 主要关注空间局部特征及其聚合，而很少关注远处区域之间的连接信息。为了解决这个问题，我们提出了一种新颖的多跳图注意（MGA）模块，该模块与 CNN 结合时可同时利用图像特征的局部和全局连接。插入卷积层之间后，MGA 首先使用块嵌入和基于嵌入距离的评分将卷积得出的特征图转换为图结构数据。使用马尔可夫链过程对图节点之间的多跳连接进行建模。执行多跳图注意后，MGA 将图重新转换为更新的特征图并将其传输到下一个卷积层。我们将 MGA 模块与 sSE（空间挤压和激励）-ResNet18 相结合，形成最终预测模型（MGA-sSE-ResNet18），并执行各种超参数评估以确定最佳参数组合。使用 2788 张健康受试者的三维 T1 加权 MR 图像，我们通过与四个成熟的通用 CNN 和两个代表性脑年龄预测模型进行比较，验证了 MGA-sSE-ResNet18 的有效性。所提出的模型获得了最佳性能，平均绝对误差为 2.822 岁，皮尔逊相关系数 (PCC) 为 0.968，证明了 MGA 模块在提高脑年龄预测准确性方面的潜力。
DEGCN：基于骨架的动作识别的可变形图卷积网络
摘要 - 图卷积网络（GCN）最近进行了研究，以利用人体的图形拓扑用于基于骨架的动作识别。然而，不幸的是，大多数这些方法是通过动摇的各种动作样本的易加色模式汇总信息，缺乏对级别内部品种的认识和对骨架序列的适当性，这些骨骼序列通常包含冗余甚至有害连接。在本文中，我们提出了一个新型的可变形图卷积网络（DEGCN），以适应性地捕获最有用的关节。拟议的DEGC在空间图和时间图上学习了可变形的采样位置，从而使模型能够感知歧视性接受领域。值得注意的是，考虑到人类的作用本质上是连续的，相应的时间特征是在连续的潜在空间中定义的。此外，我们设计了创新的多分支框架，该框架不仅在准确性和模型大小之间进行了更好的权衡，而且还可以显着提高集合的效果。广泛的实验表明，我们提出的方法在三个广泛使用的数据集上实现了最新的性能，即NTU RGB+D，NTU RGB+D 120和NW-UCLA。
深度强化学习基于图形卷积Q-network的对话政策
抽象的深入强化学习（DRL）已成功应用于以任务为导向的对话系统的对话政策。但是，现有的基于DRL的对话策略方法中的一个挑战是它们的非结构化状态行动表示，没有能力学习对话状态与行动之间的关系。为了减轻此问题，我们为以任务为导向的对话系统提出了图形结构化对话策略框架。更具体地说，我们使用一种无监督的方法来构建两个不同的两部分图。然后，我们基于与双分部分图节点的匹配对话子群生成与用户相关的和知识相关的子图。使用图形卷积网络的变体来编码对话子图。之后，我们使用双向封闭式周期单元（BGRU）和自我发项机制来获得高级历史状态表示，并采用神经网络来获得高级当前状态表示。两种状态表示形式被加入以了解对话策略的行动价值。用不同的DRL算法实施的实验表明，所提出的框架显着提高了对话策略的有效性和稳定性。
使用卷积神经网络诊断阿尔茨海默氏病和轻度认知障碍
摘要。背景：阿尔茨海默氏病和轻度认知障碍是老年人的常见疾病，影响了2020年全球超过5000万人。早期诊断对于管理这些疾病至关重要，但是它们的复杂性构成了挑战。卷积神经网络在准确的诊断方面表现出了希望。目的：这项研究的主要目的是使用卷积神经网络诊断健康个体中阿尔茨海默氏病和轻度认知障碍。方法：本研究使用了三种不同的卷积神经网络模型，其中两个是预训练的模型，即Alexnet和Densenet，而第三个模型是CNN1D-LSTM神经网络。结果：在所使用的神经网络模型中，Alexnet在健康个体中表现出最高的准确性，超过98％的轻度认知障碍和阿尔茨海默氏病。此外，Densenet和CNN1D-LSTM模型的准确性分别为88％和91.89％。结论：该研究突出了卷积神经网络在诊断轻度认知障碍和阿尔茨海默氏病的潜力。使用预训练的神经网络以及各种患者数据的整合有助于取得准确的结果。Alexnet神经网络获得的高精度强调了其在疾病分类中的有效性。这些发现为未来的研究和改善使用卷积神经网络诊断这些疾病的领域铺平了道路，最终有助于早期发现和有效地管理轻度认知障碍和阿尔茨海默氏病。