XiaoMi-AI文件搜索系统
World File Search SystemSorting
数据量如何影响分类活动？
喂它。为了产生准确的结果，我们需要为其提供大量数据，但也需要尽可能多样化的数据。例如，如果我们创建语音识别程序，您可能想使用大量单词，但也需要使用不同的口音或语音类型。例如，如果我们只喂男人说的话，那么它可能难以理解女性。
基于颜色和形状的物体排序的机器人臂
对象分类机器人臂正在彻底改变我们的流程，使它们更有效，并为未来的自动化奠定了基础。它正在开辟我们处理和分类材料的新时代，尤其是随着技术的不断发展。但是，它确实有挑战。机器人臂必须适应不同类型的对象和现实世界环境，这可能很棘手。研究人员一直在努力提高其功能，以确保其顺利集成到各种环境中。随着技术的进步，该机器人部门的潜在应用正在扩大。它可用于详细的装配线，甚至用于个性化的物流。这项技术的持续发展强调了其在转型行业中的重要性。我们正在走向智能机器人系统将播放
用于高效尖峰分类的部分二值化神经网络
摘要 虽然可以使用高效算法实现脑植入式神经尖峰分类，但是噪声的存在可能使得使用传统技术难以保持高性能分类。在本文中，我们首次探讨了使用部分二值化神经网络 (PBNN) 对神经尖峰特征向量进行分类。结果表明，与基于波形模板的方法相比，PBNN 可在各种数据集和噪声水平上提供稳健的尖峰分类。介绍了基于 PBNN 的尖峰分类系统在标准 180 nm CMOS 工艺中的 ASIC 实现。后布局和布线模拟结果表明，合成的 PBNN 在 24 kHz 下工作时仅消耗 1.8 V 电源下的 0.59 휇 W 功耗，占用 0.15 mm 2 的硅面积。结果表明，所设计的基于 PBNN 的脉冲分类系统不仅在各种噪声水平和数据集上提供与最先进的脉冲分类系统相当的精度，而且占用的硅面积更小，功耗更低。这使得 PBNN 成为实现可植入大脑的脉冲分类系统的可行替代方案。
全纤维动态可重新配置轨道角动量模式排序
摘要：在许多应用中广泛探索了轨道角动量（OAM）光的空间自由度，包括电信，量子信息和基于光的微型消除。能够分离和区分不同横向空间模式的能力称为模式排序或模式消除，并且在此类应用程序中恢复编码的信息至关重要。理想的D模式分散器应该能够忠实地区分不同的D空间模式，具有最小的损失，并具有D输出和快速响应时间。所有以前的模式分子都依赖于散装的光学元素，例如空间光调节器，如果要与光纤系统集成在一起，它们将无法快速调整，并且会造成其他损失。在这里，我们提出并在实验上证明了我们的最佳知识，这是使用超快动态可重构性的第一种全纤维模式分类的全纤维方法。我们的方案首先分解了OAM模式内纤维线性偏振（LP）模式，然后经过对照法规的重组以确定拓扑电荷，从而正确对OAM模式进行了分类。此外，我们的设置也可用于执行OAM模式的超快路由。这些结果显示了一种新颖的光纤形式的光空间模式排序，可以很容易地用于经典和量子信息处理中的许多新应用。关键字：轨道角动量，光子灯笼，光纤，空间除法■简介
人工智能助力城市垃圾分类，推动循环经济
摘要：最近完成的研究项目“城市垃圾的 ZRR”旨在通过补充或替代人工分类，用人工智能机器人 (ZRR) 进行分类，测试和评估城市垃圾分类厂的自动化程度。目标是提高目前的回收率和回收材料的纯度；从目前的废弃物流中收集额外的材料；改善工人的工作条件，使他们能够专注于机器人的维护等工作。基于该项目的实证结果，本文介绍了基于人工智能的机器人分类系统的训练和运行的主要结果，据我们所知，这是首次尝试应用于大件城市固体废物 (MSW) 的分离和在全尺寸废物处理厂中的安装。该研究项目的关键问题包括 (a) 设计测试协议以评估分类过程的质量和 (b) 评估底层人工智能及其数据库在训练的前六个月的性能质量。
l-sort：用于实时多渠道尖峰与本地化的高效硬件
摘要 - Spike分选对于从神经信号中提取神经元信息并了解脑功能至关重要。随着高密度微电极阵列（HDMEAS）的出现，多通道尖峰分类的挑战和机遇已经加剧。实时尖峰排序特别对于闭环大脑计算机界面（BCI）介绍至关重要，要求有效的硬件实现。本文介绍了L-Sort，这是一种用于实时多通道尖峰排序的硬件设计。利用尖峰定位技术，L-SORT可实现有效的尖峰检测和聚类，而无需在检测过程中存储原始信号。通过合并中值阈值和几何特征，L-SORT在准确性和硬件效率方面展示了有希望的结果。我们使用使用高密度神经探针（Neuropixel）记录的公开数据集评估了设计的检测和聚类精度。我们在FPGA上实施了设计，并将结果与最先进的状态进行了比较。结果表明，与其他基于FPGA的Spike分类硬件相比，我们的设计消耗了更少的硬件资源。索引术语 - Spike Anting，Spike Netization，Hardware
使用 Thorpe 排序估计混合的两种方法的比较
使用 Thorpe 排序和尺度分析对 2017 年春季收集的一些高分辨率 CTD 数据进行了分析，包括常用的“Thorpe 尺度”方法和较少使用的方法，该方法基于直接估计“可用翻转势能”（AOPE）：混合“湍流斑块”中原始密度剖面与排序密度剖面的势能之间的差异。剖面仪的速度各不相同，因此空间（垂直）采样不均匀。开发并描述了一种方法，将 Thorpe 缩放和 AOPE 方法应用于这种不均匀采样的数据。 AOPE 方法似乎对“背景”浮力频率 N 的估计（约束性较差）不太敏感。虽然这些方法通常用于首先估计湍流动能的耗散率 « K，但真正的目标是估计密度扩散率 K r，从而估计混合对密度分布的净改变。两个易于测量的无量纲参数被提出作为混合斑块“年龄”或“状态”的可能指标，这可能有助于解决总湍流能量和耗散如何在动能和势能成分之间分配的问题，以及测量的 AOPE 中有多少最终会改变背景分层。下面提供了一个关于其如何工作的推测性示例。
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。
SpikeDeep-classifier：一种基于深度学习的全自动离线脉冲分类算法
摘要 目的。电极设计的进步已导致微电极阵列具有数百个通道，可用于单细胞记录。在由此产生的电生理记录中，每个植入电极可以记录一个或多个神经元的尖峰活动 (SA) 以及背景活动 (BA)。本研究的目的是分离每个神经源的 SA。此过程称为尖峰排序或尖峰分类。高级尖峰排序算法非常耗时，因为在流程的各个阶段都需要人工干预。当前方法缺乏泛化能力，因为超参数的值并不固定，即使对于同一受试者的多个记录会话也是如此。在本研究中，提出了一种称为“SpikeDeep-Classifier”的全自动尖峰排序算法。所有评估数据的超参数值都保持不变。方法。提出的方法基于我们之前的研究 (SpikeDeeptector) 和一种新颖的背景活动拒绝器 (BAR)，它们都是监督学习算法和无监督学习算法 (K-means)。 SpikeDeeptector 和 BAR 分别用于提取有意义的通道并从提取的有意义的通道中去除 BA。一旦从数据中完全去除 BA，聚类过程就会变得简单。然后，对仅来自神经源的剩余数据应用具有预定义最大聚类数的 K 均值。最后，使用基于相似性的标准和阈值来保留不同的聚类并合并看起来相似的聚类。所提出的方法称为聚类接受或合并 (CAOM)，它只有两个超参数（最大聚类数和相似性阈值），在调整后对于所有评估数据保持不变。主要结果。我们将算法的结果与真实标签进行了比较。该算法在人类患者数据和公开可用的标记非人类灵长类动物 (NHP) 数据集上进行了评估。BAR 在人类患者数据集上的平均准确率为 92.3%，在 (K-means + CAOM) 之后进一步降低到 88.03%。此外，BAR 在公开可用的 NHP 标记数据集上的平均准确率为 95.40%，经过 (K-mean + CAOM) 后降至 86.95%。最后，我们将 SpikeDeep-Classifier 的性能与两位人类专家进行了比较，其中 SpikeDeep-Classifier 产生了可比的结果。意义。SpikeDeep-Classifier 在不同物种、不同大脑区域的多个记录会话的数据集上进行了评估