XiaoMi-AI文件搜索系统
World File Search SystemDNN
使用...
摘要：电荷状态（SOC）估计对于高效且安全的锂离子电池操作很重要，尤其是在电动汽车，替代能源系统和便携式电子设备等应用中。本报告使用Kalman过滤和深神经网络（DNN）算法开发和分析SOC估计方法。它是集中的。Kalman Filter是一种基于模型的方法，在线性近似条件下估算SOC方面是可靠的。另一方面，DNN算法是一种数据驱动的方法，它从大数据集中利用其强大的非线性电池行为，通过比较分析提高了动态环境中的准确性，该报告探索了这些方法的性能，以确保准确，计算效率，并适应不同的操作条件。实验结果表明，尽管每种方法都具有不同的优势，但是将Kalman滤波器和深神经网络（DNN）模型组合在一起，提供了一种协同方法来改善SOC估计，但通过探索提供了未来研究的方法和建议的优势和局限性，包括实时适应性SOC，还可以将其组合为理论。索引术语 - 电荷状态（SOC），锂离子电池，卡尔曼过滤器，深度学习，SOC
机器学习系统中的域知识集成简介
机器学习目前由深度神经网络体系结构（DNN）主导，它具有很高的性能，并且经常产生卓越的性能[14]。这种主导地位导致在各种技术领域中的成功应用程序，包括图像，文本处理和分析，基于特征的数据调查和序列分析到对结构化数据（如图形或一般接近性关系数据）的评估。DNN的质量主要归因于大型模型复杂性[3]。因此，DNN主要用于无监督的表示学习和编码以及监督场景，即回归和分类学习。然而，对深层模型的培训通常需要大量的培训数据集，因此还需要长时间的培训时间。此外，由于模型的复杂性，避免损失函数的局部最小值的挑战是非平凡的[1，5，17]。解决此问题，有利于几种正则化技术[3]。此外，正如[7]中指出的那样，稳定的学习有助于因果推断，从而可以通过其他信息来增强数据库的稳定性。处理那些DI文化的另一种可能性是将有关数据可用的其他知识整合到机器处理的数据处理中
局部操纵后全球大脑重新配置
深神经网络（DNN）的几何描述有可能发现神经科学中计算模型的核心代表原理。在这里，我们通过量化其自然图像表示的潜在维度来检查视觉皮层的DNN模型的几何形状。流行的观点认为，最佳DNNS将其表示形式压缩到低维子空间以实现不变性和鲁棒性，这表明更好的视觉皮层模型应具有较低的维几何形状。令人惊讶的是，我们发现相反方向的强烈趋势 - 具有高维图像子空间的神经网络在预测猴子电生理学和人类FMRI数据中对持有刺激的皮质反应时倾向于具有更好的概括性能。此外，我们发现，在学习新的刺激类别时，高维度与更好的性能相关，这表明更高的维度表示更适合于概括其训练领域。这些发现提出了一个一般原则，高维几何形状赋予了视觉皮层DNN模型的计算益处。
理解人工智能与……之间相似之处的一种方法
人工智能 (AI) 和神经科学有着悠久的合作历史。日常的社会和经济活动由人工智能支持，人工智能是一项重要的技术。人工智能是当今最受争议的话题之一，而对于人类和人工智能如何变化和重叠，人们似乎并没有达成太多共识。关于道德、医疗保健、农业、教育和可信度等各种相关主题的讨论都带有隐含的人类中心主义和拟人化假设。它极大地支持了日本经济的可持续增长，并为许多社会问题提供了解决方案。人工智能最近受到关注，成为促进美国和欧洲等工业化国家以及中国和印度等发展中国家增长的一种手段。深度神经网络 (DNN) 已成为模拟人类认知并经常产生类似行为的强大而常见的工具，也可以描述为人工智能。例如，由于 DNN 具有受大脑启发的分层计算组织，因此它们似乎以与人类相同的方式对现实世界的图像进行分类。 DNN 是机器学习家族的一个子集，在自动人脸识别和自动驾驶汽车等常见的实际应用中变得越来越有效。格拉斯哥大学心理学和神经科学学院最近在《认知科学趋势》杂志上发表了一项新研究，该研究采用一种方法来了解人类大脑及其 DNN 模型是否以相同的方式识别事物，使用可比较的计算步骤。关键词：人工智能、人脑、技术、相似性、医疗保健、教育、农业。《应用药学科学与研究杂志》，（2024 年）；DOI：10.31069/japsr.v7i3.03
新兴的忆阻人工神经元和突触装置......
自从 20 世纪中叶麦卡洛克-皮茨神经元 1 和感知器 2 模型诞生以来，人工智能 (AI) 或人工神经网络 (ANN) 在很大程度上仍然是一个计算机科学术语。由于计算能力不足，本世纪后期的进展受到阻碍。1980-2000 年期间的集成电路制造无法在单个处理器和内存芯片上高密度集成晶体管。因此，在深度神经网络 (DNN) 或深度卷积神经网络 (DCNN) 3 上运行模拟并存储指数级累积的数据在时间和能源成本方面是不切实际的，尽管当时 ANN 模型已经相对完善 4-10 。随着芯片密度的提升以及对摩尔定律的追求带来的图形处理单元 (GPU) 等多核处理器的出现，再加上更高效的 ANN 算法 3,11,12，计算能力瓶颈在本世纪初得到成功解决。2012 年，具有十亿个连接的 DNN 被证明能够识别猫和人体等高度概念化的物体 13。同年，DNN 被证明在图像分类准确率方面与人类不相上下（基于 MNIST 数据库），甚至在交通标志识别方面也超越了人类 14。脉冲神经网络 (SNN) 由 Maass 于 1995 年提出 15,16，它采用脉冲
ProAI：适用于汽车应用的高效嵌入式 AI 硬件——基准研究
多年来，单板计算机 (SBC) 领域的发展一直在不断加快。它们在计算性能和功耗之间实现了良好的平衡，这通常是移动平台所必需的，例如用于高级驾驶辅助系统 (ADAS) 和自动驾驶 (AD) 的车辆应用。然而，对更强大、更高效的 SBC 的需求日益增长，这些 SBC 可以实时运行功耗密集型深度神经网络 (DNN)，还可以满足必要的功能安全要求，例如汽车安全完整性等级 (ASIL)。ZF 正在开发“ProAI”，主要用于运行强大而高效的应用程序，例如多任务 DNN，此外，它还具有 AD 所需的安全认证。在这项工作中，我们基于功耗密集型多任务 DNN 架构 Multitask-CenterNet，就 FPS 和功率效率等性能指标比较和讨论了最先进的 SBC。作为一款汽车超级计算机，ProAI 实现了性能和效率的完美结合，其每瓦 FPS 数量几乎是现代工作站笔记本电脑的两倍，几乎是 Jetson Nano 的四倍。此外，根据基准测试期间的 CPU/GPU 利用率，还显示 ProAI 上仍有剩余电量用于执行进一步更复杂的任务。
asgard：使用基于虚拟化的可信执行环境保护设备上的深神经网络
我们提出了Asgard，这是第一个基于虚拟化的TEE解决方案，旨在保护传统ARMV8-A SOC的设备DNN。与使用基于信任的TEE进行模型保护的先前工作不同，Asgard的T恤仍然与现有专有软件兼容，保持可信赖的计算基础（TCB）最小值，并在接近零时的运行时开销。到此为止，Asgard（i）（i）通过安全的I/O传球牢固地延长了现有TEE的界限，以通过安全的I/O传球结合了SOC集成加速器，（ii）通过我们积极进取的且安全性的平台和应用程序级别的TCB Debloating Techiques和（IIIIIII）exite-iii iii iii nordie-irie-irie norder-irie norder-irie norder-irie norder-irie norder-irique tcb紧紧控制TCB的大小。合并DNN执行计划。我们在RK3588S上实施了ASGARD，这是一个基于ARMV8.2-A的商品Android平台，配备了Rockchip NPU，而无需修改Rockchip-和Armpriperipary软件。我们的评估表明，Asgard有效地保护了TCB大小和可忽略不计的推理潜伏期的传统Soc中的设备DNN。
推动行为还是提升能力？
深度学习 (DL) 是机器学习 (ML) 的一个子领域，专注于开发深度神经网络 (DNN) 模型 (Shahroudnejad，2021)。DNN 是能够在各种任务上实现高性能的复杂模型。许多深度神经网络模型都是不可解释的黑匣子，这通常导致用户对它们的信任度降低 (Miller，2019)。这种可解释性和信任度的缺乏可能会产生负面影响——人们可能会使用会犯错误的人工智能，或者不使用可以提高获得期望结果的机会的人工智能。为了提高黑盒模型的可解释性和可信度，可解释人工智能 (XAI) 研究专注于开发方法来以人类可以理解的方式解释这些模型的行为 (Molnar，2020)。
引入一种新颖的方法来自适应阈值...
条款[7]的目标是自动化上一阶段提出的PCNN边缘检测模型中阈值的手动调整。这是通过使用从PCNN分割输出中提取的边缘特征并将其与基于DNN的预测相结合的，以了解PCNN模型的自适应阈值参数设置。Contourlet变换用于从PCNN分割模型的每个迭代输出的子带中提取特征向量。然后，将中值滤波应用于提取的特征向量，然后计算方差和平均值作为特征向量。最后，提出了一种基于DNN的边缘检测算法来实现自适应阈值预测。此方法仅在PCNN模型的六个迭代后就可以实现更好的边缘检测结果。