XiaoMi-AI文件搜索系统
World File Search SystemFNN
文章利用人工智能对基于智能手机的电化学发光传感器数据进行数据驱动建模
摘要：了解从基于智能手机的电化学发光 (ECL) 传感器提取的多模态数据之间的关系对于开发低成本的即时诊断设备至关重要。在这项工作中，使用随机森林 (RF) 和前馈神经网络 (FNN) 等人工智能 (AI) 算法定量研究 Ru(bpy) 3 2+ 发光体浓度与其实验测量的 ECL 和电化学数据之间的关系。使用一次性丝网印刷碳电极开发了一种带有 Ru(bpy) 3 2+ /TPrA 的基于智能手机的 ECL 传感器。在施加 1.2 V 电压后，同时获得 ECL 图像和电流图。通过 RF 和 FNN 算法分析这些多模态数据，从而可以使用多个关键特征预测 Ru(bpy) 3 2+ 浓度。在 0.02 µM 至 2.5 µM 的检测范围内，实际值和预测值之间实现了高相关性（RF 和 FNN 分别为 0.99 和 0.96）。使用 RF 和 FNN 的 AI 方法能够使用易于观察的关键特征直接推断 Ru(bpy) 3 2+ 的浓度。结果表明，数据驱动的 AI 算法在分析多模态 ECL 传感器数据方面非常有效。因此，这些 AI 算法可以成为建模库的重要组成部分，并成功应用于 ECL 传感器数据建模。
量子隐式神经表征
摘要 隐式神经表征已成为表示图像和声音等信号的强大范例。这种方法旨在利用神经网络来参数化信号的隐式函数。然而，在表示隐式函数时，传统神经网络（例如基于 ReLU 的多层感知器）在准确建模信号的高频分量方面面临挑战。最近的研究开始探索使用傅里叶神经网络 (FNN) 来克服这一限制。在本文中，我们提出了量子隐式表示网络 (QIREN)，一种新的 FNN 量子泛化。此外，通过理论分析，我们证明了 QIREN 比经典 FNN 具有量子优势。最后，我们在信号表示、图像超分辨率和图像生成任务中进行了实验，以展示 QIREN 与最先进 (SOTA) 模型相比的卓越性能。我们的工作不仅将量子优势融入隐式神经表示中，而且还揭示了量子神经网络的一个有希望的应用方向。我们的代码可在 https://github.com/GGorMM1/QIREN 获得。
SmOOD：基于平滑度的飞机设计替代神经网络的分布外检测方法
航空工业一直在寻求在人力、计算时间和资源消耗方面更高效的设计优化方法。当代理模型和最终过渡到 HF 模型的切换机制都经过适当校准时，混合代理优化可以在提供快速设计评估的同时保持高质量结果。前馈神经网络 (FNN) 可以捕获高度非线性的输入-输出映射，从而产生有效的飞机性能因素替代品。然而，FNN 通常无法推广到分布外 (OOD) 样本，这阻碍了它们在关键飞机设计优化中的应用。通过基于平滑度的分布外检测方法 SmOOD，我们建议使用优化的 FNN 替代品对模型相关的 OOD 指标进行编码，以生成具有选择性但可信预测的可信代理模型。与传统的基于不确定性的方法不同，SmOOD 利用 HF 模拟固有的平滑特性，通过揭示其可疑的敏感性来有效地暴露 OOD，从而避免对 OOD 样本的不确定性估计过于自信。通过使用 SmOOD，只有高风险的 OOD 输入才会被转发到 HF 模型进行重新评估，从而以较低的间接成本获得更准确的结果。研究了三种飞机性能模型。结果表明，基于 FNN 的替代方法优于高斯过程替代方法
【目录】
人类增强人机合作。 这是在第五次工业革命中确定的一种新兴趋势，可以为人类提供共同的利益。 lin是1992年的模糊神经网络（FNN）的发明者，将神经网络学习引入模糊系统中，并将类似人类的推理纳入神经网络中。 从那时起，关于FNN在线发布了大约500,000篇文章。 lin此后，开发了一系列具有适用于不同学习环境的学习能力的FNN模型，以及针对多无形协调和网络安全的多代理增强学习的目标。 林于2016年加入UTS，担任澳大利亚AI Institute（AAII）的联合主任，以推进AI和BCI。 他还获得了行业资金，以建立2023年以人为中心的AI（HAI）中心。 Lin是机器智能系统和大脑计算机接口领域的高度发表的研究人员，也是UTS澳大利亚AI Institute的计算智能和大脑计算机界面实验室的创始总监。 实验室正在开发移动传感技术，以使用非侵入性方法来测量大脑活动，以评估人类的认知状态。 林通过美国陆军研究实验室领导了一个关于认知和神经经济学（2010 - 20年）的大型10年（1000万美元）。 该项目通过研究车辆运动和认知疲劳的影响以及开发可穿戴的脑电图设备来探索先进的BCI技术。 林是IEEE交易的主编（2011-16），是几个IEEE社会的理事会委员会。人类增强人机合作。这是在第五次工业革命中确定的一种新兴趋势，可以为人类提供共同的利益。lin是1992年的模糊神经网络（FNN）的发明者，将神经网络学习引入模糊系统中，并将类似人类的推理纳入神经网络中。从那时起，关于FNN在线发布了大约500,000篇文章。lin此后，开发了一系列具有适用于不同学习环境的学习能力的FNN模型，以及针对多无形协调和网络安全的多代理增强学习的目标。林于2016年加入UTS，担任澳大利亚AI Institute（AAII）的联合主任，以推进AI和BCI。他还获得了行业资金，以建立2023年以人为中心的AI（HAI）中心。Lin是机器智能系统和大脑计算机接口领域的高度发表的研究人员，也是UTS澳大利亚AI Institute的计算智能和大脑计算机界面实验室的创始总监。实验室正在开发移动传感技术，以使用非侵入性方法来测量大脑活动，以评估人类的认知状态。林通过美国陆军研究实验室领导了一个关于认知和神经经济学（2010 - 20年）的大型10年（1000万美元）。该项目通过研究车辆运动和认知疲劳的影响以及开发可穿戴的脑电图设备来探索先进的BCI技术。林是IEEE交易的主编（2011-16），是几个IEEE社会的理事会委员会。自2016年加入UTS以来，Lin教授被授予4个ARC Discovery项目，2个NHRMC项目，1个CRC-P项目和2个国防创新中心项目。他还吸引了大量的行业资金，其中包括在UTS建立一个由行业支持的研究中心建立行业支持的研究中心的资金。2020年，由林的一组研究人员与国防部进行了为期两年，120万美元的项目，以研究如何使用脑电波来指挥和控制自动驾驶汽车，从而整合认知神经科学和设备工程以开发可穿戴技术。该项目的成功导致了下一阶段25年的下一阶段，2023年的380万美元项目在上一阶段成熟了开发的技术。
请引用已发表的版本Nawshin，Faria，Unal，...
在物联网（IoT）中广泛使用了由Android驱动的设备的用法，使它们容易受到不断发展的网络安全威胁的影响。物联网网络中的大多数医疗保健设备，例如智能手表，智能温度计，生物传感器等。检测Android恶意软件对于保护敏感信息和确保物联网网络的可靠性至关重要。本文重点介绍了启用AI的Android恶意软件检测，以改善IoT网络中的零信任安全性，该网络需要在提供网络资源访问权限之前对Android应用程序进行验证和认证。零信任安全模型都需要对试图访问专用网络上资源的每个实体进行严格的身份验证，而不管它们是在网络周围内还是外部。我们提出的解决方案DP-RFECV-FNN，一种用于Android恶意软件检测的创新方法，该方法在零信任模型下为IoT网络设计的前馈神经网络（FNN）中采用差异隐私（DP）。通过集成DP，我们确保在检测过程中数据的机密性，为网络安全解决方案中的隐私设定新标准。通过将DP和零信任安全性的优势与FNN的强大学习能力相结合，DP-RFECV-FNN展示了与最近的论文相比，在保持严格的隐私控制的同时，可以识别已知和新颖的恶意软件类型和更高的精度。这些结果是在不同的隐私预算下实现的，范围为𝜖 = 0。1至𝜖 = 1。dp-rfecv- fnn的精度从97.78％到99.21％，同时利用静态特征，而Android应用的动态特征则使用静态特征，并使用93.49％至94.36％，以检测它是恶意软件还是良性。0。此外，我们提出的特征选择管道使我们能够通过显着减少所选功能和训练时间的数量，同时提高准确性，从而超越最先进的方法。据我们所知，这是第一项通过具有隐私性神经网络模型基于静态和动态功能对Android恶意软件进行分类的工作。
一种用于计算心血管内在频率的机器学习方法
心血管波形的分析提供了有关健康和疾病状况的宝贵临床信息。固有频率（如果）方法是最近引入的框架 - 使用单个动脉压力波形来提取有关心血管系统的生理相关信息。IF方法的临床实用性和生理准确性已通过几项临床前和临床研究良好。但是，当前L 2优化求解器的计算复杂性对于IF计算仍然是实时设置中IF方法实际部署的瓶颈。在本文中，我们提出了一种基于机器学习（ML）的方法，用于确定单个颈动脉波形的IF参数。我们使用依次降低的前馈神经网络（FNN）模型将颈动脉波形映射到IF方法的输出参数，从而避免了非convex l 2最小化问题，该问题是由常规方法引起的。我们的方法还包括用于数据预处理，模型培训和模型评估的程序。在我们的模型开发中，我们同时使用了临床和合成波形。我们的临床数据库由来自两个不同来源的颈动脉波形组成：亨廷顿医学研究机构（HMRI）iPhone心脏研究和Framingham心脏研究（FHS）。在HMRI和FHS临床研究中，使用了各种设备平台，例如压电传动系统，光学分解（Vivio）和iPhone相机来测量动脉波形。我们的盲目临床测试表明，从基于FNN的方法计算的参数与基于标准L 2优化方法的参数之间非常强的相关性（即r 0.93和p-value 0.005，对于每个参数，则为r 0.005）。我们的结果还表明，如果本工作中引入的模型基于FNN的性能独立于测量设备和设备采样率。
文章基于神经网络的锂离子电池老化模型在加速的C率
摘要：锂离子（锂离子）电池被广泛用于电动汽车（EV），因为它们的能量密度很高，自我释放率低和卓越的性能。尽管如此，锂离子电池的性能和可靠性变得至关重要，因为它们会因电荷增加和排放周期而失去容量。此外，由于排放量的负载变化，锂离子电池会在电动汽车中衰老。以各种排放速率监视电池周期寿命将使电池管理系统（BMS）能够实施控制参数以解决老化问题。在本文中，提出了电池寿命降解模型，以加速的电流速率（C率）。此外，提出了标准C率和C率之外的理想寿命放电率。在加速的C率上排放对电池循环寿命的结果得到了彻底研究。此外，通过基于深度学习算法的馈电神经网络（FNN）和具有长短期记忆（LSTM）层的经常性神经网络（RNN）研究了电池降解模型。对开发模型的性能进行了比较评估，并且表明LSTM-RNN电池老化模型与传统的FNN网络相比，在加速C速率方面具有出色的性能。
跨学科胎儿-新生儿神经病学培训可改善整个生命周期的大脑健康
综合胎儿、新生儿和儿科培训构成了一项跨学科的胎儿-新生儿神经病学 (FNN) 计划。动态神经暴露组概念强化了课程内容。学员参加指导委员会的选拔，以便在拟议的两年计划期间获得指导。产前到产后的临床学习强化了影响基因-环境相互作用的早期毒性应激源相互作用。母体-胎盘-胎儿三联症、新生儿或儿童疾病需要在前 1,000 天内做出诊断和治疗决定，此时 80% 的神经连接有助于生命历程表型表达。3 年内的儿科随访会根据早产幸存者的妊娠周龄进行调整。累积的生殖、妊娠、儿科和成人暴露组效应需要教育体验，强调在整个生命周期中采用从原则到实践的大脑资本战略方法。将为全日制学员提供胎儿、新生儿和儿科轮换期间更严格的培训。成人神经病学住院医师、医学生和来自不同学科的实习生将在有限的轮换期间学习重要主题。课程内容将需要使用教育科学标准定期重新评估，以保持能力，同时促进创造性和协作性解决问题。FNN 毕业生持续的终身学习将加强所有利益相关者的共同医疗保健决策。识别适应性或适应不良的神经可塑性机制需要分析技能，以识别与疾病途径相关的表型。发育起源和生命历程概念强调整个发育-衰老过程中的大脑健康，适用于跨学科研究合作。健康的社会决定因素在每次神经系统干预中都认识到多样性、公平性和包容性优先事项，特别是对于那些面临差异挑战的人。诊断和治疗策略必须解决资源挑战，特别是整个全球南方，以有效降低全球神经系统疾病负担。世界卫生组织提出的可持续发展目标为应对持续的全球和地区多重危机提供了普遍适用的指导方针。性别、种族、民族和社会经济平等促进有效的预防、救援和修复性神经保护干预措施。通过在 FNN 培训的学术教学中心内建立领导力，可以加强全球协同努力，以协助每个社区的小型医疗机构的结构和指导，从而改善实践、教育和研究目标。降低死亡率和提高生活质量必须优先考虑母婴健康和福祉，以维持每个生命周期的大脑健康并产生跨代利益。
混合FNN-DNN方法用于早期检测心律不齐：增强诊断的新框架
在心脏的电活动中抽象一种被称为心力衰竭的不规则。心脏心律失常可能会引起严重的问题，例如中风和心力衰竭。我们应该确保有更多的敏感技术（除传统的心电图），因为会议方法（例如ECG）受到一些可能主观的限制，并且可以达到较低的精度。这项工作引入了一种相对较新的混合方法，可以通过将前馈新网络（FNN）与深神经网络（DNN）相结合，从而在早期阶段检测心律不齐。预见的框架试图通过使用深度学习技术来解决现有诊断方法中的差距，尤其是在理解医疗信息中的顺序模式时。混合模型的有效性是通过采用许多调查的复合评估来衡量的，例如准确性，精度，回忆，F1得分和AUC-ROC曲线分析。经验结果强调，混合模型的精度与84.8％的FNN模型和DNN模型的准确性也相同，为84.8％。的准确性，召回和F1得分，以确定模型如何正确地识别较少的FP和FN的阳性心脏节奏实例。AUC-ROC曲线分析也用于模型的评估准确性。但是，混合FNN-DNN策略只是发展心血管管理和治疗场的开发的开始，因为它为获得更好的检测和早期诊断心律不齐的良好途径提供了良好的途径。有必要对拟议的工具进行更多的研究和概念验证验证，以供更广泛的人群进行。
锂离子电池SOH预测，深度学习通过可解释的机器学习增强
本研究中使用的方法可以帮助电池开发人员将不同的操作策略与电池老化联系起来。We use inputs such as temperature (T), current (I), and state of charge (SOC) and utilize a feature transforma- tion technique which generates histogram-based stressor features representing the time that the battery cells spend under operational conditions, then investigate the performance of DNN models along with explainable machine learning (XML) techniques (e.g., SHapley Additive exPlanations) in predicting LiB SOH.比较分析利用了广泛的开源数据集来评估LSTM，GRU和FNN等深度学习模型的性能。预测以两种不同的模式执行：一个将预测的周期限制为520，另一个将预测扩展到了电池第一寿命的结束（SOH = 80％）。