XiaoMi-AI文件搜索系统
World File Search SystemKohonen
评估运动监测的加速度计量和循环节奏数据
抽象运动模式分析使用多种方法来识别由可穿戴传感器，视频 - 摄像头和全球导航卫星系统记录的体育活动。本文使用来自心率监视器的数据，导航系统记录的加速度学信号和手机传感器进行了运动分析。在一个丘陵地区记录了实际的骑自行车实验，其路线约为12公里。信号，以发现地理和生理数据之间的关系，包括检测心率恢复延迟作为身体和神经状况的指标。所提出的算法利用了信号分析的方法和人体运动特征的提取方法，这些方法用于研究心率，路线效力，循环速度和循环节奏的对应关系，包括时间和频域。数据处理包括使用Kohonen网络和对运动模式进行分类的两层软计算模型的使用。获得的结果指向平均时间为22.7 s，在循环传感器检测到重负荷后的心率下降50％。进一步的结果指出，人体磨损加速度计记录的信号与从GNSSS数据评估的速度之间的信号之间的对应关系。基于加速度计量数据的下坡和上坡循环的分类分别为培训和测试数据集的精度分别为93.9％和95.0％。这些技术也可以应用于康复和神经系统疾病诊断中的广泛应用。提出的方法表明，可穿戴的传感器和人工智能方法构成了有效的工具，可在不同的运动活动中评估生理状况，包括骑自行车，跑步或滑雪时进行运动监测。
跨学科小组
课程（均为 3 学分课程） EEE 6002：电气与电子工程选题 课程内容由课程老师在 EEE 系研究生委员会（BPGS）批准下决定。（注意：每个学生只能选修一次本课程） EEE 6101：非线性系统分析 数值方法。图解法。已知精确解的方程。奇点分析。解析方法。受迫振动系统。变系数线性微分方程。非线性系统的稳定性。 EEE 6103：人工神经网络 生物神经系统：大脑和神经元。人工神经网络。历史背景。赫布联想子。感知器：学习规则、说明、证明、失败 自适应线性（ADALINE）和多重自适应线性（MADALINE）网络。多层感知：生成内部表示 反向传播、级联相关和反传播网络。高阶和双向关联记忆。霍普菲尔德网络：李亚普诺夫能量函数。吸引盆地。概率更新：模拟退火、玻尔兹曼机。自适应谐振理论 (ART) 网络 ART1、ART2、模糊 ART 映射 (ARTMAP) 网络。Kohonen 特征图、学习矢量量化 (LVQ) 网络。新兴主题：卷积神经网络、深度神经网络。神经网络的应用。EEE 6301：功率半导体电路* 静态开关器件，SCR、BJT、MOSFET、IGBT、SIT、GTO、MCT 的特性。静态功率转换器的分类及其应用。静态功率转换器的控制电路。脉冲宽度调制；静态功率转换器的 PWM 控制。开关模式 DC-DC 转换器、谐振转换器、静态转换器波形的傅里叶分析、静态转换器的 HD、THD、pf、ZVS 和 ZCS。交流驱动器的磁滞电流。 *本课程也属于 EEPS 组
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。
用自我...
大脑的皮质可塑性是使我们能够学习和适应环境的主要特征之一。的确，由于两种形式的可塑性，大脑皮层具有自组织的能力：结构性塑性性，从而产生或削减了神经元之间的突触连接，并改变了突触可塑性，从而改变了突触连接的力。这些介绍很可能是基于人脑发展的极其竞争的特征：多模式关联。故障，感觉方法的多样性，例如视觉，声音和触摸，大脑都达到了相同的概念。此外，生物学观察结果表明，当两者相关时，一种模态可以激活另一种方式的内部表示。为了建模这种行为，Edelman和Damasio分别提出了逆转和收敛/发散区，在该区域中，双向神经通信可以导致多模式融合（收敛）和模态激活（差异）。尽管如此，这些理论框架并未在neu-rones级别提供计算模型。本论文的目的是首先以（1）的（1）多模式学习而不是超级靶向的，（2）的（2）在能量水平上对能量处理的（3）能量处理的（2）。我们提出并比较不同的标签方法，以最大程度地减少标签数量，同时保留最佳精度。根据这些准则和对文献神经模型的研究，我们选择了Kohonen提出的自组织（SOM）卡作为我们系统的主要组成部分。我们介绍了迭代网格，这是一个完全分布在材料神经元之间的架构，该架构允许在SOM中进行蜂窝计算，因此，在处理和连接时间方面逐渐了解的系统。然后，我们在释放的标签后学习中评估了SOM的性能：在训练期间没有标签，那么很少有标签可用于标记SOM的神经元。我们使用SPIKE（SNN）中的神经网络将表演与不同的方法进行比较。然后，我们建议使用提取的特征而不是原始数据提高SOM的性能。我们正在使用两种不同的方法从MNIST数据库中提取SOM分类的研究：一种具有卷积自动介绍者的机器学习方法和SNN的生物启发方法。为了证明SOMA冲突的能力 - 如果数据更复杂，我们通过传输DVET使用Mini-Imagenet数据库来使用学习。完成，我们转到多模式关联机制。我们通过使用SOMAS和每周学习来基于最近的原理来构建以生物启发的垃圾模型。我们提出并比较不同的