印度尼西亚尼格利·塞马朗大学摘要。目的:本研究旨在比较PNN和K-NN算法,以确定用于糖尿病分类的准确性和速度。方法:本研究中使用了两种算法,即概率神经网络(PNN)和K-Nearest邻居(K-NN)。使用的数据是PIMA印第安人糖尿病数据库。数据集包含768个带有8个属性和1个目标类别的数据,即无糖尿病为0,糖尿病为1个。数据集已分为80%的培训数据和20%的测试数据。结果:实现K折交叉验证后获得精度(k = 4)。准确性结果表明,与PNN相比,K-NN算法具有更好的快速性。K-NN算法的所有功能的精度为74.6%,四个功能的精度为78.1%。新颖性:本文的新颖性是通过关注分类算法中的数据预处理,特征选择和K折的交叉验证来优化和提高准确性。关键字:数据挖掘,功能选择,K-折叠验证,k-nearest邻居,2023年2月6日收到的概率神经网络 / 2023年2月9日 / 2023年9月14日接受修订。
碳水化合物(或聚糖)在从储能到病原体逃避的生物系统中起着至关重要的作用。然而,特定的聚糖对诸如情绪和认知之类的大脑功能的贡献在很大程度上是未知的。在这里,我们表明硫酸软骨素(CS)调节小鼠Ca2(Cornu Ammonis 2)海马区域中的脑膜内神经元网(PNN)和兴奋性突触,这是社交记忆至关重要的。成年小鼠中CS 4 -O硫化的消融导致PNN畸形,焦虑升高和社交记忆受损。逆转了PNN异常或补充4 -O硫化的调节恢复了正常的情绪和社交认知。这些发现确定了软骨素4- O-硫化在高阶脑功能中的作用,并提出了一种潜在的策略,以解决具有社会认知功能障碍的神经系统疾病。
一种基于低功耗改进型 PPN SRAM 单元的存储器阵列的新型设计及其对高速缓存存储器的分析评论 Gavaskar K、Surendar N、Thrisali S、Vishal M 电子与通信工程系 Kongu 工程学院 Perundurai,Erode – 638060,泰米尔纳德邦,印度。邮件 ID:gavas.20@gmail.com 摘要 – 高速缓存存储器是存储重复数据和执行操作的指令所必需的存储空间。现代处理器的速度已经显著提高,但存储器增强主要集中于在更小的空间中存储更多数据并减少延迟的能力。本文提出的基于 PNN 反相器的 10 T SRAM 单元电路由 2 个交叉耦合的 PNN 反相器(1 个 PMOS 和 2 个 NMOS 晶体管)、单端独立读取电路(2 个 NMOS 晶体管)和 2 个存取晶体管(2 个 NMOS)组成。将不同的漏电流控制技术(如 LECTOR 和 KLECTOR)应用于 10T PPN 和 10T PNN SRAM 单元以提高其保持性能,并比较其结果。8X8 存储器阵列由存储器单元、行和列解码器、预充电电路、感测放大器和写入驱动器电路组成。测量了读取、写入和保持操作的各种参数(如延迟、动态功率、功率延迟积、漏功率和静态噪声裕度),并与其他 SRAM 单元进行了比较。CADENCE Virtuoso Tool 用于设计 90 nm 技术中的各种电路。模拟结果表明,与其他单元相比,所提出的 SRAM 单元具有更好的性能,因此它可用于创建阵列结构。与其他阵列结构相比,基于 8X8 10T PNN SRAM 单元的阵列具有更低的功率和更少的延迟。
围岩挤压变形是隧道工程中常见且突出的病害,常在TBM掘进过程中诱发盾构卡洞灾害。本文基于139组历史挤压变形案例,建立了混合PCA-IWGO-PNN挤压分类模型。根据挤压变形的影响因素及特点,选取强度应力比、隧道埋深、隧道等效直径、岩体质量指数、支护刚度等建立挤压程度预测指标体系。由于概率神经网络(PNN)要求输入变量独立,因此采用主成分分析(PCA)对原始数据进行预处理,消除预测指标间的相关性并实现降维。扩展系数是PNN中关键的超参数,采用改进的灰狼优化(IGWO)算法实现其高效的自动寻优。然后,将PNN模型应用于工程实际,20个试验样本中仅有1个误判,预测精度达到95%。最后,与人工神经网络(ANN)模型、支持向量机(SVM)模型、随机森林(RF)模型进行对比分析,其中PNN模型的预测精度最高,其次是人工神经网络(85%)、RF(85%)、SVM(80%)。此外,PNN模型的运行速度最快,仅耗时5.6350 s,而ANN、SVM、RF的运行时间分别为8.8340、6.2290、6.9260 s。本研究提出的混合PCA-IWGO-PNN模型为围岩挤压分类提供了一种有效的方法,在预测精度和运行速度方面均具有优势。
细胞外矩阵(ECM)是一个大分子网络,具有两种形式:神经神经元网(PNN)和一个弥漫性ECM(DECM) - 均影响大脑的影响,突触形成,神经塑性,神经塑性,CN,CNS损伤和进步神经变性性疾病。ECM重塑会影响外鼻外传播,这是由神经活性物质在细胞外空间(ECS)中的扩散介导的。在这项研究中,我们分析了PNN和DECM影响脑部扩散性的干扰。在口服4-甲基木纤维酮(4-mu)的大鼠(HA)合成抑制剂4-甲基木纤维酮(4-mu)后,我们发现PNNS,HA,HA,软骨蛋白硫酸软骨蛋白聚糖蛋白酶和闪光酸性酸性蛋白质的染色下调。4个月和6个月后,这些变化得到了增强,并且在正常饮食后是可逆的。形态分析进一步表明星形胶质细胞的萎缩。使用实时离子噬方法的ECM失调导致体感皮质中的ECS体积分数α增加35%,从对照大鼠的α= 0.20到4-MU饮食后的α= 0.27。扩散加权的磁共振成像显示,在皮质,海马,丘脑,pallidum和脊髓中,平均扩散率和分数各向异性(FA)的降低。这项研究表明,由于PNN和DECM的调节,ECS体积的增加,FA的损失以及星形胶质细胞的变化可能会影响外突触外传播,细胞间通信和神经可塑性。
摘要:“情绪”一词指的是个人对事件、人或条件的反应。近年来,研究情绪估计的论文数量有所增加。在本研究中,分析了一个基于三种不同情绪的数据集,该数据集用于使用脑电波对感觉进行分类。在数据集中,六个电影剪辑被用来引出男性和女性的积极和消极情绪。然而,没有触发引发中性情绪的触发器。已经使用各种分类方法来对数据集进行分类,包括 MLP、SVM、PNN、KNN 和决策树方法。研究人员表示,首次使用的 Bagged Tree 技术在本研究中取得了 98.60% 的成功率。此外,使用 PNN 方法对数据集进行了分类,成功率达到 94.32%。关键词:AdaBoost;袋装树;EEG 信号;情绪预测;多层感知器;概率神经网络 1 引言
这项研究通过利用多种优化策略的互补优势来研究杂交元启发式算法增强概率神经网络(PNN)训练的潜力。传统的学习方法,例如基于梯度的方法,常常难以在高度和不确定的环境中进行绕过,而单方法元启发式学可能无法充分利用解决方案空间。为了应对这些挑战,我们提出了受约束的混合元神经(CHM)算法,这是一种新颖的方法,将多种基于人群的优化技术结合到统一的框架中。所提出的过程分为两个阶段:初始探测阶段评估多个元启发式学,以根据错误率确定最佳性能,然后是拟合阶段,其中所选的元启发式优化PNN以实现最佳的平滑参数。此迭代过程可确保有效的Ex-
光子神经网络(PNN)已成为传统电子神经网络的有前途的替代品。然而,PNN的培训,尤其是在传统实践中被认为是高度有效的分析梯度下降算法的芯片实施,这仍然是一个重大挑战,因为物理系统并非差异。提出了诸如无梯度和数值梯度方法之类的训练方法,但它们却没有过度测量和有限的可伸缩性。最新的原位培训方法也受到成本挑战,需要昂贵的在线显示器和频繁的光学I/O切换。在这里,提出了一种物理感知的分析梯度培训(PAGT)方法,该方法在分裂和串联策略中计算分析梯度,从而克服了芯片在PNNS训练中造成的不良性引起的差异。在芯片上实施了多种训练案例,尤其是生成对抗网络,与原位方法相比,时间消耗显着降低(从31 h到62分钟),能源消耗降低了四倍。结果为训练混合光子 - 数字电子神经网络提供了低成本,实用和加速的解决方案。
细胞外基质(ECM)是嵌入神经系统各种细胞的蛋白质和糖的密集且动态的网络。它由许多大分子组成,例如胶原蛋白,弹性蛋白,纤维蛋白,层粘连蛋白,糖蛋白,如Tenascin,Glycosaminoglycans(GAGS)和蛋白聚糖。这些成分由神经元和神经胶质细胞分泌。它占大脑量的20%,但尚未受到神经科学研究社区的要求。到目前为止,大多数研究重点都放在神经元或神经胶质细胞成分上。细胞外系统在脑部疾病的病因和进展中的作用,反之亦然,神经系统疾病如何影响细胞外基质的影响仍然很大程度上没有探索。已知ECM在神经发育过程中起多种作用,但是其在人脑的发展中的作用尚未完全了解。由周围神经元网(PNN)组成的凝结ECM形成细胞体周围的网状结构和神经元近端神经突(Sigal等,2019)。在神经系统开发过程中,ECM调节神经祖细胞的增殖和不同。它还控制细胞形态,包括轴突和树突伸长,调节其连通性和皮质折叠。此外,ECM还存储了创建微域以调节神经元迁移和突触可塑性的信号因子(Dityatev等,2010; Dick等,2013)。PNN被认为充当分子制动,可关闭和调节突触可塑性的关键时期(Dityatev等,2010; Wang和Fawcett,2012)。因此,ECM功能障碍,尤其是PNN损伤与几种神经发育障碍有关,例如自闭症谱系障碍,精神分裂症,双相障碍,易碎X综合征和癫痫病(Reinhard等,2015; Rogers等,2015; Rogers等; Rogers等,2018; Wen et al。,2018)。关于神经退行性疾病的数十年研究表明,神经元死亡增加了,但神经元不良健康背后的机制远非明显。尚未详细研究垂死细胞周围额外细胞基质的功能和功能。最近,在帕金森氏病啮齿动物模型中报道了神经变性,额外的细胞空间和基质之间的相互作用,该模型在被忽视的隔室中散发出灯,以分散聚集的α-舌核蛋白种子(Soria等,2020)。正如Pinter和Alpar最近回顾的那样,选择性ECM组件可以主动触发特定于疾病的有毒物质,或在ECM中反应地积累它们(Pinter and Alpar,2022)。几项研究已关联
进化的记忆机制 我们假定神经回路是感知环境刺激并做出适当反应的生物实体。神经感知是从细菌群落开创的信号传导过程进化而来的,细菌群落使用调节分子(生物调节剂,后来称为神经递质 (NT))来控制菌落向刺激源或远离刺激源的运动(向性)。生物进化继续进行,最早的神经生物是线虫(秀丽隐杆线虫),所有其他神经生物都是从线虫进化而来的。进化的神经元及其直接环境(见下文的三部分和 nECM/PNN)使用相同的细菌信号分子(即生物胺、氨基酸以及新肽,表 2)来激发对环境的有利或不利反应(即“感觉”)。此外,神经元还开发了一种将“感觉”编码和回忆为记忆的过程,这种回忆可以称为“情绪”。