XiaoMi-AI文件搜索系统
World File Search SystemNeural
用于电子神经网络的数模混合突触芯片
级联的 CMOS 突触芯片包含一个 32x32 (1024) 个可编程突触的交叉阵列，已被制造为用于完全并行实现神经网络的“构建块”。突触基于混合数模设计，该设计利用片上 7 位数据锁存器来存储量化权重，并利用两象限乘法 DAC 来计算加权输出。突触具有 6 位分辨率，传输特性具有出色的单调性和一致性。已制造了一个包含四个突触芯片的 64 神经元硬件，用于研究反馈网络在优化问题解决中的性能。在本研究中，已在硬件中实现了 7x7 一对一分配网络和 Hop field-Tank 8 城市旅行商问题网络。已证明该网络能够实时获得最佳或接近最佳的解决方案。
神经网络 - 艺术状态，简短历史，基本模型和体系结构
人工神经网络（ANN）是一个信息或信号处理系统，由大量简单的处理元素组成，这些元素与直接链接互连，并配合以执行并行分布式处理以解决所需的计算任务。神经网络以类似的方式处理信息。ann的灵感来自生物神经系统的方式，例如大脑的作品 - 神经网络以身作则。ANN采用与常规计算相比，解决问题的方法。传统的计算机系统使用算法方法，即遵循一组说明以解决问题。将解决问题的能力限制在我们已经理解并知道如何解决的问题上。但是，神经网络和常规算法计算不在竞争中，而是相互竞争。有些任务更适合于算法方法（例如算术操作）和更适合神经网络方法的任务。
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
使用人工神经网络进行分布式拒绝服务攻击分类。
研究指南，Acharya Nagarjuna 大学。摘要 对于所有规模的组织和 ISP，有史以来最具破坏性的攻击都是 DDoS 攻击 (分布式拒绝服务)。由于 DDoS 出租服务的可用性提高，数十亿不安全的僵尸网络和 IoT 设备的产生导致 DDoS 攻击增加。这些 DDoS 攻击的频率、规模和复杂程度不断增加。由于这些攻击日益智能化以及 IDS 的逃避，包括清理和基于签名的检测在内的传统方法受到了挑战。由于攻击规模主要集中在组织上，下一代安全技术无法跟上步伐。由于对人为干预的要求较高，基于异常的检测在误报和准确率方面存在各种限制。本文利用机器学习（ML）模型，基于开放的CICIDS2017数据集进行了DDoS异常检测。但是，使用该ML模型并精心调整超参数可以达到最大准确率。关键词：DDoS攻击，异常检测，机器学习，入侵检测系统，准确性。
通过图卷积和可逆神经网络对潜在空间中的点云进行去噪
点云经常包含噪声和异常值，为下游应用带来障碍。在本文中，我们介绍了一种新颖的点云去噪方法。通过利用潜在空间，我们明确地发现噪声成分，从而可以提取干净的潜在代码。这反过来又有助于通过逆变换恢复干净点。我们网络中的一个关键组件是一个新的多层图卷积网络，用于捕获从局部到全局各个尺度的丰富几何结构特征。然后将这些特征集成到可逆神经网络中，该网络双射映射潜在空间，以指导噪声解缠结过程。此外，我们使用可逆单调算子来模拟变换过程，有效地增强了集成几何特征的表示。这种增强使我们的网络能够通过将噪声因素和潜在代码中的内在干净点投影到单独的通道上来精确区分它们。定性和定量评估均表明，我们的方法在各种噪声水平下都优于最先进的方法。源代码可在 https://github.com/yanbiao1/PD-LTS 获得。
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
基于机器学习算法的冠状动脉疾病的诊断支持向量机，人工神经
已经对数据挖掘在包括CAD在内的疾病诊断中的应用进行了各种研究； [9,10]将建议的模型与基于PSO的自适应神经融化推理系统（PSO -ANFIS）进行了比较。结果表明，建议的模型优于PSO -ANFIS模型。建议的模型还具有2个重要好处：（1）它很快学习，（2）响应迅速。对于大型准确的数据集，快速学习和快速响应能力的重要性很重要。[11] Jackins等。进行了一项研究，以找到可用数据集中诊断糖尿病，冠心病和癌症的模型。他们使用幼稚的贝叶斯分类和随机森林（RF）分类算法进行数据集的分类。结果表明，三种疾病的RF模型的准确性高于幼稚贝叶斯分类器的精度值。[12] Das等。使用统计分析系统，引入了一种诊断心脏病的方法。神经网络集合方法位于提议系统的中心。从从克利夫兰心脏病数据库中获得的数据中获得的分类准确性为89.01％。另外，在心脏病的诊断中分别获得了80.95％和95.91％的敏感性和特异性。[14] Dutta等。[13] Olaniyi和Oyedotun提出了一个基于人工神经网络（ANN）的三步模型来诊断心绞痛，其精度为88.89％。提出了具有卷积层的有效神经网络。他们提出的模型在预测冠心病方面的准确性达到了77％。该模型还能够比传统方法（例如支持向量机（SVM）和RFS）更准确地预测负面案例。[15]
通过跳跃扩散驱动的神经SDE的多变量时间序列建模
在数据科学和机器学习的不断发展的景观中，时间序列建模的领域已成为一个重要且挑战性的研究领域。时间序列数据及其独特的时间依赖性和顺序模式，在金融，医疗保健和气候科学等各个领域中找到了应用[1,2,3]。时间序列的准确建模对于创建强大的模型和理解复杂系统至关重要。建模时间序列的一种方法是通过生成模型[4]，该模型在异常检测[5]和数据增强[6]中具有实际应用。在本文中，我们提出了一种基于时间序列生成和建模的神经SDE的新颖方法。尤其是，我们旨在创建一个可以利用默顿模型[3]作为跳跃框架的模型，该模型可以考虑实际市场的跳跃。归一化流是具有易生化密度估计的生成模型家族。主要思想是通过组成几个函数f i将初始复杂的数据分散分散转换为一个简单的想法。有一些