XiaoMi-AI文件搜索系统
World File Search SystemMLP
SLAC 神经网络库 (SNL)
带有 NN 的 SW • 我们更进一步进行了功率比较。• 表格展示了从实际 KCU105 板获得的 CNN 和 MLP 示例的功率测量值。• 观察结果：• Vivado 估算的功率与在硬件上测得的实际功率之间存在明显差异。• 具体而言，与物理硬件测量值相比，Vivado 对 Tiny CNN 网络的功率估计有 1.4645W 的差异。• 同样，Vivado 对 MLP 网络的功率估计有 1.0645W 的差异。• 对于 MLP，NW 消耗的功率更高，因为它具有更高的参数数量，需要增加内存映射和内存与逻辑单元之间更广泛的计算，从而导致功耗增加。
受大脑启发的具有脉冲神经元的多层感知器
近年来，多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差，MLP 在特征提取方面表现良好并取得了惊人的效果。然而，由于其结构简单，其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能，我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络，在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中，我们将 LIF 神经元的机制合并到 MLP 模型中，以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信，包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块，我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率，据我们所知，这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
在基于MLP的DDOS攻击检测中，Harris Hawks和Dragonfly优化方法合并的方法J. Ghasemi *A，R。Salah-Hassan
在本文中，提出了一个新的入侵检测系统（IDS）来处理分布式拒绝服务（DDOS）攻击。提出了一种基于Harris Hawks优化（HHO）和蜻蜓算法（DA）的组合算法，以选择相关功能，并消除NSL-KDD数据集中的无关和冗余特征。提取的特征呈现给多层感知器（MLP）神经网络。该网络（作为分类器）将网络流量分为两个类别，即正常和攻击类别。在入侵检测领域中使用两个标准和广泛使用的数据集评估所提出的模型的性能：NSL-KDD和UNSW-NB15。模拟的结果清楚地表明了在关键评估标准（例如准确性，精度，回忆和F量）方面，与以前的方法相比，所提出的方法的优越性。具体而言，所提出的方法在这些指标中分别显示出96.9％，97.6％，96％和96.8％的改善（与基线方法相比）。这些改进的主要原因是合并算法智能选择最佳特征并降低数据尺寸的能力。这种仔细的功能选择使MLP神经网络可以专注于关键信息，提高分类准确性并最终提高入侵检测系统的性能。这项研究表明，将优化算法和机器学习结合起来效果很好。因此，它有效地应对DDOS攻击。它可以导致更好的入侵检测系统。这些系统将更有效，准确。
肠道菌群在雄激素脱发中的作用
摘要：为了确定地热来源的最佳和最有效的储层温度，使用专门设备的长期现场研究和分析是必不可少的。尽管这些要求增加了项目成本并引起延迟，但基于水力地球化学数据的机器学习技术可以通过准确预测储层温度来最大程度地减少损失。近年来，将混合方法应用于现实世界中的挑战已经变得越来越普遍，而不是传统的机器学习方法。这项研究介绍了一种新型的机器学习AP-aosma-MLP，它集成了自适应对立的粘液模具算法（AOSMA）和多层感知器（MLP）技术，该技术专门设计用于预测地层资源的储存。此外，在同等条件下，使用各种评估回归指标，在文献中比较了文献中基本的人工神经网络和文献中广泛认识的算法。结果表明，AOSMA-MLP的表现优于基本MLP和其他基于元启发式的MLP，而经AOSMA训练的MLP实现了最高的性能，以R 2值为0.8514。提出的AOSMA-MLP方法显示出在各种回归问题中产生有效结果的显着潜力。
多制度互动：系统涌现的一个例子
本文讨论了多层次视角 (MLP) 下社会技术系统和转型中的背景问题。它强调系统间相互作用，为此开发了一种类型学，该类型学借鉴了已发表的转型案例研究的回顾和元级分析。随后，该类型学与 MLP 转型路径相关联。通过这一过程，我们得出了一种新的转型路径，即新系统的出现，适用于从现有先行社会技术系统的贡献中出现的系统。关键词：多政权、社会技术转型、系统交互 1. 简介
KANQAS：用于量子架构搜索的 Kolmogorov-Arnold 网络
摘要 量子架构搜索 (QAS) 是优化和自动设计量子电路以实现量子优势的一个有前途的方向。QAS 中的最新技术强调基于多层感知器 (MLP) 的深度 Q 网络。然而，由于可学习参数数量众多以及选择适当激活函数的复杂性，它们的可解释性仍然具有挑战性。在这项工作中，为了克服这些挑战，我们在 QAS 算法中使用了 Kolmogorov-Arnold 网络 (KAN)，分析了它们在量子态准备和量子化学任务中的效率。在量子态准备中，我们的结果表明，在无噪声的情况下，成功的概率是 MLP 的 2 到 5 倍。在嘈杂的环境中，KAN 在近似这些状态时的保真度优于 MLP，展示了其对噪声的鲁棒性。在解决量子化学问题时，我们通过将课程强化学习与 KAN 结构相结合来增强最近提出的 QAS 算法。通过减少所需的 2 量子比特门的数量和电路深度，这有助于更有效地设计参数化量子电路。进一步的研究表明，与 MLP 相比，KAN 需要的可学习参数数量明显较少；然而，KAN 执行每集的平均时间更长。
研究文章电池电压预测技术使用机器学习模型具有较高的外推精度
基于机器学习（ML）型号和现实世界中收集的锂离子电池（LIB）数据的电池性能预测技术最近受到了很多关注。但是，对于使用现实世界数据的ML模型来说，较差的外推精度是一个主要挑战，因为数据频率分布可能不均匀。在这里，我们使用电化学模拟模型生成的人工数据研究了ML模型的外推精度。特别是，我们为训练数据设置了较低的开路电压（OCV）限制，并生成数据限于较高的充电状态（SOC）区域，以训练电压预测模型。我们已经验证了在几个较低的OCV限制设置下测试数据的电压的均方根误差（RMSE），并将其平均 + 3标准偏差定义为评估度量。评估了八种代表性的ML模型，发现多层感知器（MLP）的精度为92.7 mV，这是最佳的外推精度。我们还评估了具有已发布的实验数据的模型，发现MLP的精度为102.4 mV，重新确定其具有最佳的外推精度。我们还发现，MLP对感兴趣数据的变化具有鲁棒性，因为从模拟到实验数据变化时的准确性降解为1.1。此结果表明，即使为全面的SOC条件收集数据很困难，MLP也可以实现更高的电压预测准确性。
机器学习 - 二楼实验室 - DCSE
4.2.4 顺序和批量训练 82 4.2.5 局部最小值 82 4.2.6 拾取动量 84 4.2.7 小批量和随机梯度下降 85 4.2.8 其他改进 85 4.3 实践中的多层感知器 85 4.3.1 训练数据量 86 4.3.2 隐藏层的数量 86 4.3.3 何时停止学习 88 4.4 使用 MLP 的示例 89 4.4.1 回归问题 89 4.4.2 使用 MLP 进行分类 92 4.4.3 分类示例：鸢尾花数据集 93 4.4.4 时间序列预测 95 4.4.5 数据压缩：自联想网络 97 4.5 使用 MLP 的秘诀 100 4.6 推导反向传播 101 4.6.1 网络输出和误差 101 4.6.2 网络误差 102 4.6.3 激活函数的要求 103 4.6.4 误差的反向传播 104 4.6.5 输出激活函数 107 4.6.6 另一种误差函数 108 进一步阅读 108 练习题 109
使用备兑看涨期权作为收入策略
(2) 资产类别代表如下：MLP，标准普尔 MLP 指数；高收益债券，彭博巴克莱美国公司高收益债券指数；新兴市场 (EM) 债券，摩根大通 EMBI 全球核心指数；公司债券，彭博巴克莱美国公司债券指数；房地产投资信托基金，富时 NAREIT 全股票房地产投资信托基金指数；股票，标准普尔 500 指数；优先股，美银美林固定利率优先证券指数。
资源分配问题的新颖开关型策略网络：技术报告
摘要 - 深处增强学习（DRL）已成为制定排队网络中控制策略的强大工具，但是在这些应用程序中，多层多层感知器（MLP）神经网络的常见使用具有重要的缺点。MLP体系结构虽然多才多艺，但通常会遭受样本效率差和过度合适的培训环境的趋势，从而导致新的，看不见的网络的次优性能。响应这些问题，我们引入了开关型神经网络（STN）体系结构，旨在提高排队网络中DRL策略的效率和概括。从传统的非学习政策中的STN杠杆作用模式，确保在类似状态下进行一致的行动选择。这种设计不仅简化了学习过程，而且还通过减少过度效果的趋势来促进更好的概括。我们的作品提出了三个关键贡献：首先，STN的开发是MLP的更有效替代方案；其次，经验证据表明，在各种培训方案中，STN在各种培训方案中实现了卓越的样本效率。第三，实验结果表明，STN在熟悉的环境中与MLP性能相匹配，并且在新设置中的表现明显优于它们。通过嵌入特定领域的知识，STN增强了近端策略优化（PPO）算法的有效性而不损害性能，这表明其适合各种排队网络控制问题。