XiaoMi-AI文件搜索系统
World File Search SystemReLU
面部视觉：实时年龄和性别预测
卷积层：CNN由几层组成，包括将卷积操作应用于输入图像的层。层使用学习的过滤器（内核）通过将过滤器滑过图像并执行求和和对比度[6]，[9]，从而从输入图像中提取特征。合并层：合并层通常放置在卷积层中。他们在小区域内汇总数据，以采样从卷积层得出的特征图。常见的合并操作包括最大池和平均池，该操作存储每个池字段中的最大值或平均值。激活函数：对于卷积和汇总过程的输出，使用称为Relu（纠正线性单元）的激活函数将非线性添加到网络中，从而可以研究组件之间的关系。完全连接的层：CNN通常在卷积和合并层后具有一个或多个层。通过在一个层和其他层的神经元中建立每个神经元之间的连接，这些层有助于高级表示和分类。培训：CNN通常是使用监督学习培训的，网络学会在其中映射输入图像为相应的标签或类别。随机梯度下降（SGD）及其变体是优化方法，用于通过反向传播获得训练。它调整网络的参数（权重和偏见），以最大程度地减少损失函数，以测量预测标签和真实标签之间的差异[10]。
增强型空中交通管制系统——人工智能作为预测空中交通冲突的数字辅助系统
摘要：当今的空中交通管理 (ATM) 系统围绕空中交通管制员和飞行员发展。这种以人为本的设计在过去使空中交通非常安全。然而，随着航班数量的增加和使用欧洲空域的飞机种类的增加，它正在达到极限。它带来了严重的问题，例如拥堵、飞行安全性下降、成本增加、延误增加和排放量增加。将 ATM 转变为“下一代”需要复杂的人机集成系统，以提供更好的空域抽象并创建态势感知，正如文献中针对此问题所述。本文做出了以下贡献：(a) 概述了问题的复杂性。(b) 它引入了一种数字辅助系统，通过系统地分析飞机监视数据来检测空中交通中的冲突，从而为空中交通管制员提供更好的态势感知。为此，使用长短期记忆 (LSTM) 网络（一种流行的循环神经网络 (RNN) 版本）来确定其时间动态行为是否能够可靠地监控空中交通并对错误模式进行分类。 (c) 大规模、真实的空中交通模型（包含数千个包含空中交通冲突的航班）用于创建参数化的空域抽象，以训练 LSTM 网络的几种变体。所应用的网络基于 20-10-1 架构，同时使用泄漏 ReLU 和 S 形函数
AI x 设计井上光和
1) https://aws.amazon.com/jp/ 2) https://cloud.google.com/products/ai/ 3) https://www.ibm.com/watson/ 4) https://azure.microsoft.com/ja-jp/services/cognitive-services/ 5) https://trends.google.co.jp/trends/ 6) https://colab.research.google.com/ 7) http://jupyter.org/ 8) https://www.anaconda.com/ 9) http://archive.ics.uci.edu/ml/datasets/Iris 10) http://lib.stat.cmu.edu/datasets/boston 11) https://archive.ics.uci.edu/ml/datasets/wine+quality 12) http://yann.lecun.com/exdb/mnist/ 12) http://megaface.cs.washington.edu/ 14）ReLU（Ramp函数）：激活函数之一。当输入值为0以下时，变为0，当大于1时，则按输入原样输出。 15）Softmax函数：将判断结果以百分比的形式输出到输出层的各个单元。一般取百分比最高者作为答案。 16）铃木隆宏，《工作的消失》，讲谈社，2017，第76页 17）新井纪子，《人工智能与不会读教科书的孩子》，东洋经济，2018年 18）小川宏，《中小学编程教育及其在地区的实践》，日本艺术设计协会期刊第77期，2018年，第50-51页 19）迈克尔·施密特、Hod Lipson，《从实验数据中提炼自由形式的自然法则》，2009年，《科学》第324卷 计算机从摆动的钟摆的运动中推导出运动定律。 20）大脑中的侏儒：脑外科医生彭菲尔德绘制的图表，显示了人类大脑皮层的运动区和体感区与身体各部位之间的对应关系。
利用人工神经网络提高内洛尔牛肉嫩度的基因组预测准确性
摘要 本研究的目的是比较人工神经网络 (ANN) 与贝叶斯岭回归、贝叶斯套索、贝叶斯 A、贝叶斯 B 和贝叶斯 Cπ 在估计内洛尔牛肉嫩度的基因组育种值方面的预测性能。使用 Illumina Bovine HD Bead Chip（HD，来自 90 个样本的 777K）和 GeneSeek Genomic Profiler（GGP Indicus HD，来自 485 个样本的 77K）对动物进行基因分型。对每个芯片应用基因型的质量控制，包括去除位于非常染色体上的 SNP，其次要等位基因频率 <5%、与 HWE 的偏差（p < 10 –6）以及连锁不平衡 >0.8。使用 FImpute 程序进行基因型估算。基于谱系的分析表明，肉质嫩度具有中等遗传性（0.35），这表明可以通过直接选择来改善肉质嫩度。贝叶斯回归模型的预测准确度非常相似，加性效应和显性效应分别从 0.20（贝叶斯 A）到 0.22（贝叶斯 B）和 0.14（贝叶斯 Cπ）到 0.19（贝叶斯 A）不等。ANN 对遗传价值的基因组预测准确度最高（0.33）。尽管人们认识到深度神经网络可以提供更准确的预测，但在我们的研究中，具有一个隐藏层、105 个神经元和整流线性单元 (ReLU) 激活函数的 ANN 足以提高对肉质嫩度遗传价值的预测。这些结果表明，具有相对简单架构的 ANN 可以为 Nellore 牛肉质嫩度提供卓越的基因组预测。
sangea：可扩展和归因网络生成
深层生成模型（DGM）是用于学习数据表示的多功能工具，同时合并了域知识，例如条件概率分布的规范。最近提出的DGMS解决了比较来自不同来源的数据集的重要任务。这样的示例是对比分析的设置，该分析的重点是描述与背景数据集相比富含目标数据集中的模式。这些模型的实际部署通常假定DGM自然推断出可解释的和模块化的潜在表示，这在实践中是一个问题。因此，现有方法通常依赖于临时正规化方案，尽管没有任何理论基础。在这里，我们通过扩展非线性独立组件分析领域的最新进展，提出了对比较DGM的可识别性理论。我们表明，尽管这些模型在一般的混合功能上缺乏可识别性，但当混合函数在零件上时，它们令人惊讶地变得可识别（例如，由Relu神经网络参数化）。我们还研究了模型错误指定的影响，并从经验上表明，当未提前知道潜在变量的数量时，以前提出的用于拟合比较DGM的正则化技术有助于识别性。最后，我们引入了一种新的方法，用于拟合比较DGM，该方法通过多目标优化改善了多个数据源的处理，并有助于使用约束优化以可解释的方式调整正规化的超参数。我们使用模拟数据以及通过单细胞RNA测序构建的细胞中的遗传扰动数据集以及最新的数据集验证了我们的理论和新方法。关键字：非线性ICA；深层生成模型；变分推断；解开；
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
通过先进的深度学习模型进行心力衰竭预测和分类的新方法
在本研究中，作者将研究和利用与两种不同方法相关的先进机器学习模型来确定预测心力衰竭和心血管疾病患者的最佳和最有效方法。第一种方法涉及一系列分类机器学习算法，第二种方法涉及使用称为 MLP 或多层感知器 的深度学习算法。在全球范围内，医院都在处理与心血管疾病和心力衰竭相关的病例，因为它们是导致死亡的主要原因，不仅是超重人群，而且是饮食和生活方式不健康人群的主要死亡原因。通常，心力衰竭和心血管疾病可由多种因素引起，包括心肌病、高血压、冠心病和心脏炎症 [1]。其他因素，如不规则休克或压力，也可能导致心力衰竭或心脏病发作。虽然这些事件无法预测，但来自患者健康的持续数据可以帮助医生预测心力衰竭。因此，这项数据驱动的研究利用先进的机器学习和深度学习技术来更好地分析和处理数据，为医生提供关于一个人患心力衰竭可能性的决策工具。在本文中，作者采用了先进的数据预处理和清理技术。此外，使用两种不同的方法对数据集进行了测试，以确定产生最佳预测的最有效的机器学习技术。第一种方法涉及采用一系列监督分类机器学习算法，包括朴素贝叶斯 (NB)、KNN、逻辑回归和 SVM 算法。第二种方法利用了一种称为多层感知器 (MLP) 的深度学习 (DL) 算法。该算法为作者提供了灵活性，可以尝试不同的层大小和激活函数，例如 ReLU、逻辑 (sigmoid) 和 Tanh。这两种方法都产生了具有
基于对数梅尔频谱图和卷积循环神经网络的脑电驾驶疲劳检测
驾驶员疲劳检测是减少事故、提高交通安全的重要手段之一，其主要挑战在于如何准确识别驾驶员的疲劳状态。现有的检测方法包括基于面部表情和生理信号的打哈欠、眨眼等，但基于面部表情的检测结果会受到光照和环境影响，而脑电信号是直接反应人的精神状态的生理信号，对检测结果的影响较小。本文提出一种基于EEG的对数梅尔语谱图和卷积循环神经网络(CRNN)模型来实现驾驶员疲劳检测，这种结构可以发挥不同网络的优势，克服单独使用各个网络的劣势。其流程为：首先将原始脑电信号经过一维卷积的方法实现短时傅里叶变换（STFT），并经过梅尔滤波器组得到对数梅尔谱图，然后将得到的对数梅尔谱图输入到疲劳检测模型中，完成脑电信号的疲劳检测任务。疲劳检测模型由6层卷积神经网络（CNN）、双向循环神经网络（Bi-RNN）和分类器组成。在建模阶段，将谱图特征输送到6层CNN自动学习高级特征，从而在双向RNN中提取时间特征，得到谱图-时间信息。最后，通过由全连接层、ReLU激活函数和softmax函数组成的分类器得到警觉或疲劳状态。本研究的实验是在公开可用的数据集上进行的。结果表明，该方法能够准确区分警觉与疲劳状态，且稳定性较高；此外，还将四种现有方法的性能与本文方法的结果进行了比较，均表明本文方法能够取得目前为止的最好效果。
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
使用LENET 20深度学习体系结构在先前阶段的胎儿心脏异常检测
心脏异常在医学诊断中很重要，传统上通过CT，X射线，CTA和MRI扫描检测到。但是，这些方法通常会产生不确定或错误的结果，从而导致无效的临床建议。本研究的重点是使用超声心脏数据进行胎儿异常预测和分类，旨在克服现有诊断方法的局限性。这项研究的目的是开发一种更可靠的方法来使用深度学习技术检测胎儿心脏异常，特别是利用Lenet 20架构。与常规方法相比，目标是提高胎儿异常检测的准确性和可靠性。实时胎儿超声心脏样本是从海得拉巴NIMS Super Specialty Hospital收集的，并使用OTSU阈值分离等工具进行了预处理。LENET 20卷积神经网络由165层组成，最大池，密集，隐藏和relu层是使用带有Tensorflow，Keras和Scikit-Learn库的Python实现的。通过CSV文件将数据集加载为测试样品，并采用了LENET 20 CNN模型进行分类。所提出的LENET 20 CNN模型比现有的胎儿心脏诊断模型取得了显着改善。关键发现包括98.32％的检测得分，F1得分为98.23％，召回97.89％，准确度为98.32％，灵敏度为97.29％。这些结果表明与以前的方法相比，检测准确性和可靠性卓越。这项研究的结果表明，对先前的胎儿心脏诊断技术有了显着的增强。具体来说，LENET 20 CNN模型在检测准确性和可靠性方面优于现有方法。这项调查通过采用CNN深度学习技术成功地解决了常规胎儿心脏诊断方法的局限性。LENET 20架构是有效的分类器和特征提取器，可以在前阶段准确检测胎儿心脏异常。