XiaoMi-AI文件搜索系统
World File Search SystemLSTM
引用：Kamana E，Zhao J，Bai D.使用LSTMSEQ2SEQ深度LEAL
►►事实证明，气候因素的使用是有效预测疟疾发生率的预测因素，并显着影响了拟议的长期记忆序列序列（LSTMSEQ2SEQ）模型，以捕获季节性模式和趋势模式和趋势和预测疟疾的发生。 ►►►典型的机器学习模型很难预测长期的依赖性，并且单个LSTM捕获过去的过去事件并使用它们来预测未来的价值，甚至很难。 通过组合可以预测多个时间步长而不是具有多任务单元格的专门LSTM单元，LSTMSEQ2SEQ解决了此问题。 ►►lstmseq2seq比其他使用的深度学习模型需要更多的时间进行培训。 在我们研究中使用的四种类型的疟原虫中，从头开始训练LSTMSEQ2SEQ。 其他模型需要几个小时到几天才能使用疟疾病例和气象变量数据进行训练。 在许多省份，LSTM的速度比LSTMSEQ2SEQ模型快七倍。 但是，在疟疾病例较少的省份中的影响并不显着。 ►►由于缺乏其他相关潜在的非气候因素，我们无法通过本研究中的任何模型在某些省份获得准确的预测。►►事实证明，气候因素的使用是有效预测疟疾发生率的预测因素，并显着影响了拟议的长期记忆序列序列（LSTMSEQ2SEQ）模型，以捕获季节性模式和趋势模式和趋势和预测疟疾的发生。►►►典型的机器学习模型很难预测长期的依赖性，并且单个LSTM捕获过去的过去事件并使用它们来预测未来的价值，甚至很难。通过组合可以预测多个时间步长而不是具有多任务单元格的专门LSTM单元，LSTMSEQ2SEQ解决了此问题。►►lstmseq2seq比其他使用的深度学习模型需要更多的时间进行培训。在我们研究中使用的四种类型的疟原虫中，从头开始训练LSTMSEQ2SEQ。其他模型需要几个小时到几天才能使用疟疾病例和气象变量数据进行训练。在许多省份，LSTM的速度比LSTMSEQ2SEQ模型快七倍。但是，在疟疾病例较少的省份中的影响并不显着。►►由于缺乏其他相关潜在的非气候因素，我们无法通过本研究中的任何模型在某些省份获得准确的预测。
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
通过人工智能社会创新解决无家可归问题：采用 ARIMA 和 LSTM 等预测分析和机器学习模型，对洛杉矶无家可归人群的犯罪受害情况进行新颖且具有突破性的评估
无家可归是一个世界性的问题，近年来洛杉矶 (LA) 的无家可归者数量急剧增加。尽管已经开展了多项研究来调查无家可归的各个方面及其与犯罪受害的交集，但没有一项研究使用机器学习技术来分析无家可归与无家可归者受害之间的关系。为了更好地了解无家可归者受害的影响，我们整合了从联邦、州和市政府机构获得的三个数据集，创建了一个统一的数据集，得出了重要的发现。特征工程用于引出无家可归不同维度之间的关系。基于提取的特征，机器学习技术用于模拟无家可归者的受害情况。我们的研究结果表明，洛杉矶无家可归者受害与种族、性别、年龄和社区划分密切相关。鉴于本研究的主要目标是帮助社会服务机构实施社会创新，我们应用了两种复杂的机器学习方法来预测无家可归者的未来：自回归综合移动平均线 (ARIMA) 和长短记忆网络 (LSTM)。这两个模型都从不同角度进行了训练，以预测未来两年内犯罪热点地区以及弱势群体的性别、种族和年龄组。最后，向各部门和政府机构提出了一些社会改进建议，以改善针对无家可归犯罪受害者的服务和项目。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
使用基于LSTM的模型从脑电图中提取不同级别的语音信息
解码一个人通过脑电图（EEG）从人脑聆听的语音信号可以帮助我们忽略听觉系统的工作原理。线性模型已用于从语音中重建脑电图，反之亦然。最近，人工神经网络（ANN），例如，综合神经网络（CNN）和基于长期的短期记忆（LSTM）架构在建模脑电图与语音之间的关系方面的线性模型优于线性模型。在诱惑将这些模型在实际应用中使用这些模型之前，例如听力测试或（第二）语言理解评估，我们需要知道这些模型正在介绍哪种语音信息。在这项研究中，我们旨在使用不同级别的语音特征分析基于LSTM的模型的性能。该模型的任务是确定两个给定的语音段中的哪个与记录的脑电图匹配。我们使用了低级和高级语音特征，包括：信封，MEL频谱，语音活动，音素标识和词嵌入。我们的结果表明，该模型可阐述有关脑电图中有关沉默，强度和广泛语音类别的信息。此外，包含所有这些信息的MEL频谱图在所有特征中都具有最高的精度（84％）。索引术语：LSTM，CNN，语音解码，听觉系统，EEG
研究论文基于双向LSTM和注意力机制的表情脑电多模态情绪识别方法
由于人类情绪的复杂性，不同的情绪特征之间存在一定的相似性，现有的情绪识别方法存在特征提取困难、准确率不高的问题，为此提出一种基于双向长短期记忆和注意机制的表情脑电多模态情绪识别方法。首先基于双线性卷积网络（BCN）提取面部表情特征，将脑电信号变换为三组频带图像序列，利用BCN对图像特征进行融合，得到表情脑电多模态情绪特征。然后通过带有注意机制的长短期记忆在时序建模过程中提取重要数据，有效避免采样方法的随机性或盲目性。最后，设计一种具有三层双向长短期记忆结构的特征融合网络，将表情与脑电特征进行融合，有助于提高情绪识别的准确率。在MAHNOB-HCI和DEAP数据集上，基于MATLAB仿真平台对所提方法进行测试。实验结果表明,注意机制可以增强图像的视觉效果;且与其他方法相比,所提方法可以更有效地从表情和脑电信号中提取情感特征,情绪识别的准确率更高。
使用进化阈值和LSTMS检测航天器遥测中的异常
限制的检测引擎可能会发现点异常，各种专家系统涵盖了其他事件[2]。由于生成新的地面真相集非常昂贵，因此无监督的算法已成为主流。在TeleManom [1]中，使用长期短期记忆（LSTM）网提取预期的遥测值。然后，使用的差异和实际值之间的差异无监督阈值来检测事件。作为单独的LSTMS处理不同的遥测通道，TeleManom提供了可追溯性和可解释性，这对于空间应用至关重要。用于检测遥测异常的数据驱动算法通常被大量参数化，并且不正确的超级参数会恶化其性能。我们以[1]为基础，并提出了一种遗传算法（GA），以进化其未受监督阈值部分的超参数（Sect。2）。实验表明GA提高了TeleManom的能力（3）。我们表明，应重新审视检测器的质量，因为捕获检测异常的时间方面的指标（相对于地面真理）传达了非常重要的信息。
高能效率LSTM加速器体系结构
摘要：修剪和量化是加速LSTM（长短期内存）模型的两种常用方法。但是，传统的线性量化通常会遇到梯度消失的问题，而现有的修剪方法都有产生不希望的不规则稀疏性或大型索引开销的问题。为了减轻消失梯度的问题，这项工作提出了一种归一化的线性量化方法，该方法首先将操作数正常化，然后在局部混合最大范围内进行量化。为了克服不规则的稀疏性和大型索引开销的问题，这项工作采用了排列的块对角掩模矩阵来产生稀疏模型。由于稀疏模型高度规律，因此可以通过简单的计算获得非零权重的位置，从而避免了大型索引开销。基于由排列的块对角面胶质矩阵产生的稀疏LSTM模型，本文还提出了高能耐加速器的Permlstm，该材料全面利用了有关基质 - 载体乘积的重量，激活和产品的稀疏性，从而导致55.1％的动力减少。与先前报道的其他基于FPGA的LSTM加速器相比，与先前报道的其他基于FPGA的LSTM加速器相比，该加速器已在以150 MHz运行的ARRIA-10 FPGA上实现，并达到2.19×〜24.4×能量效率。
使用长短期记忆人工神经网络 (LSTM) 进行经济即时预测
近年来，人工神经网络 (ANN) 已成为各个领域和学科取得众多进步的催化剂。然而，它们对经济的影响却相对微弱。一种类型的 ANN，即长短期记忆网络 (LSTM)，特别适合处理经济时间序列。在这里，该架构的性能和特性与动态因子模型 (DFM) 进行了比较评估，动态因子模型目前是经济即时预测领域的热门选择。在三个独立变量的即时预测中，LSTM 的结果优于 DFM；全球商品出口价值和数量以及全球服务出口。其他优势包括它们能够处理各种时间频率中的大量输入特征。缺点是无法将输入特征的贡献归因于模型输出，这是所有 ANN 的共同点。为了促进该方法的持续应用研究，避免需要任何深度学习库知识，使用 PyTorch 开发了一个配套的 Python 库：https://pypi.org/project/nowcast-lstm/。
双向探出，用于MR图像的脑肿瘤分割
摘要：近年来，基于深度学习的网络在MR图像的脑肿瘤分割方面取得了良好的性能。在现有网络中，U-NET已成功应用。在本文中，它提出了深度学习的双向卷积LSTM XNET（BCONVLSTMXNET），用于分割脑肿瘤并使用GoogleNet分类肿瘤和非肿瘤。对BRATS-2019数据集进行了评估，并获得了肿瘤和非肿瘤分类的结果：0.91，精度：0.95：0.95，召回：1.00＆F1得分：0.92。类似地，对于获得精度的脑肿瘤的分割类似：0.99，特定山脉：0.98，灵敏度：0.91，精度：0.91＆F1得分：0.88。关键字：convlstm; Googlenet；线性变换（LT）; Notch过滤器； X-NET 1简介大脑控制并协调许多重要的身体功能。正常细胞会产生，生长和死亡，当人体不需要它们时，异常细胞被称为癌症。当异常细胞在大脑的任何部分内部产生时，就会发生脑肿瘤。有两种主要类型的肿瘤，即恶性肿瘤和良性肿瘤。良性脑肿瘤是非癌性的，恶性肿瘤是癌性的。转移性脑肿瘤发生时，当位于人体另一个器官的癌症传播到大脑时，所有癌症中有40％扩散到大脑和中枢神经系统，最多一半的转移性脑肿瘤来自肺癌。在10,000个人群中，有5至10人影响印度的中枢神经系统（CNS）肿瘤[1]。