XiaoMi-AI文件搜索系统
World File Search Systemrnn
机器学习在预测分子特性中的应用
由于开发新化合物并确定其性能是昂贵且可能危险的，因此有必要开发一个模型来预测分子特性，而无需合成和实验测试。表示化合物的两种系统方法是通过分子结构的示意图和简化的分子输入线 - 进入系统（Smiles）。在这项研究中，这些表示分别用于训练两个神经网络模型，一个卷积神经网络（CNN）和一个经常性神经网络（RNN），以预测化合物的熔点。通过将化合物表示为结构的图像，CNN在拟合给定数据的拟合时不成功，似乎在给定数据的平均熔点附近保持恒定。然而，通过将化合物表示为系统生成的文本字符串，RNN成功地拟合了数据，总体趋势类似于实际趋势，平均绝对误差较低。但是，与结构图数据不同，用于RNN的微笑数据不包含方向信息。对于将来的研究，可能可以将两种表示形式结合起来，以达到更准确的预测模型。
使用索马里语言中经常性神经网络的假新闻检测
摘要 - 数字领域中假新闻的扩散对公共话语构成了重大威胁，因此需要开发有效的检测机制。因此，本文介绍了针对检测假新闻的复发性神经网络（RNN）模型的经验分析，对其在测试数据集上的性能进行了深入的检查。RNN模型表现出非凡的准确性，在准确区分假新闻和真实新闻文章时达到了98.94％的成功率，低损失值为0.0372，表明分类任务的精度很高。关键性能指标进一步阐明了模型的功能：大约98.73％的精确率强调了该模型在识别假新闻方面的准确性。相比，大约99.07％的召回率强调了其在正确对数据集中的大多数假新闻实例进行分类方面的熟练程度。这些结果的综合（准确性，精度和回忆）证明了RNN模型的鲁棒性，作为歧视真正和捏造新闻内容的高度可靠的工具。这些发现不仅增强了模型在现实情况下的适用性，对于过滤错误信息至关重要，而且强调了其在维持信息完整性方面的潜力。这项研究为未来的研究和应用中的应用铺平了道路，这表明对该领域做出了重大贡献。
用于 GDP 预测的神经网络集成方法
我们提出了一种集成学习方法来预测未来美国 GDP 增长释放。我们的方法将循环神经网络 (RNN) 与考虑均值随时间变化的动态因子模型和广义自回归评分 (DFM-GAS) 相结合。该分析基于一组预测因子，涵盖以不同频率测量的广泛变量。预测练习旨在通过考虑均值变化（可能由影响经济的衰退引起）来评估集成中每个模型组成部分的预测能力。因此，我们展示了 RNN 和 DFM-GAS 的组合如何改善对 2008-09 年全球金融危机后美国 GDP 增长率的预测。我们发现神经网络集成显著降低了短期预测范围的均方根误差。
DR-NTU - 南洋理工大学
随机神经网络 (RNN) 在许多不同领域都表现出色。训练参数较少和闭式解的优势使其在小数据集分析中广受欢迎。然而，在基于 EEG 的被动脑机接口 (pBCI) 分类任务中，使用 RNN 自动解码原始脑电图 (EEG) 数据仍然具有挑战性。具有高维 EEG 输入的模型可能会出现过度拟合，非平稳、高水平噪声和受试者变异性的固有特性可能会限制隐藏层中独特特征的生成。为了解决基于 EEG 的 pBCI 任务中的这些问题，本文提出了一种频谱集合深度随机向量功能链接 (SedRVFL) 网络，该网络专注于频域中的特征学习。具体而言，提出了一种无监督特征细化 (FR) 块来提高 RNN 中的低特征学习能力。此外，还执行动态直接链接 (DDL) 以进一步补充频率信息。所提出的模型已在自收集数据集和公共驾驶数据集上进行了评估。获得的跨受试者分类结果证明了其有效性。这项工作为EEG解码提供了一种新的解决方案，即使用优化的RNN来解码复杂的原始EEG数据并提高基于EEG的pBCI任务的分类性能。
利用深度复发神经网络的新型基于FPGA的意图识别系统
摘要：近年来，已经引入了基于非声音和非人工界面的监视和控制家庭环境的系统，以改善流动性困难的人的生活质量。在这项工作中，我们介绍了利用经常性神经网络（RNN）的这种新型系统的可重新实现和优化。在实现现实世界结果中所证明的是，在实施RNN时，FPGA被证明非常有效。尤其是，我们可重新发现的实现比执行参考推理任务的高端Intel Xeon CPU快150×。此外，与服务器CPU相比，所提出的系统在能量效率方面达到了300倍以上的改进，而在所报告的已达到的GFLOPS/W方面，它甚至超过了服务器量的GPU。本研究中讨论的工作的另一个重要贡献是，所证明的实施和优化过程也可以作为对实施RNN的推理任务的任何人的参考；我们的C ++代码是针对高级合成（HLS）工具量身定制的，这进一步促进了这一事实。
机器人技术和智能系统组...
- 分类：CNN - 预测：RNN•深钢筋学习（机器人控制）•进化计算（机器人设计和控制，神经进化，神经进化）•神经模糊系统（机器人控制）（机器人控制）•转移学习/用户自适应模型•用稀疏数据（Oversmpling>“超级放样）培训”
通过度量的视觉脑解码的EEG分类...比较p300检测的卷积和复发性神经网络
摘要：p300组件的单审判分类是一项困难的任务，因为信号比率低。但是，其应用于脑部计算机界面开发可以显着提高这些系统的可用性。本文介绍了P300分类的基线线性判别分析（LDA）与复发性（CNN）和经常性神经网络（RNN）的比较。实验是基于大型多学科的学龄儿童数据集。实验研究和讨论了几种超参数选择。提出的CNN略优于RNN和基线LDA分类器（63.2％的准确性比61.3％和62.8％）。差异在精度和回忆中最为明显。讨论了结果和建议对未来工作的含义，例如堆叠的CNN – LSTM。
物理信息的神经网络建模和区域供暖系统的预测控制
摘要 - 本文介绍了基于数据的建模和最佳区域供暖系统（DHSS）。此类大规模网络系统的物理模型受复杂的非线性方程的控制，需要大量参数，从而导致其操作的潜在计算问题。因此提出了一种新颖的方法，利用操作数据和可用的物理知识，以获得准确且计算有效的DHSS动态模型。拟议的想法包括利用多个反复构建的神经网络（RNN）以及将DHS网络的物理拓扑嵌入其互连中。在标准RNN方法方面，所得的模型方法（表示为物理知识的RNN（PI-RNN）），即使利用了减少尺寸的模型，也可以实现更快的训练程序和更高的建模准确性。开发的PI-RNN建模技术为设计非线性模型预测控制（NMPC）调节策略铺平了道路，从而使计算时间有限，以最小化生产成本，提高系统效率并提高系统效率并尊重整个DHS网络的操作约束。在文献中引用的DHS基准的模拟中测试了所提出的方法，从建模和控制角度显示了有希望的结果。
带有光电反馈的基于激光的储层计算机的不对称性能
基于物理的神经形态计算是当前数字技术的有前途的算法，因为其能量效率，并行性的潜力和较大的带宽。在各种体系结构中，复发性神经网络（RNN）特别适合以频度依赖性（例如音频和视频信号）处理数据[？]。但是，他们解决特定任务的监督培训通常是数据密集型的，需要调整网络的互发矩阵，这是硬件实现的挑战。储层计算（RC）提供了一个框架来通过简化训练过程来克服此问题，从本质上讲，将RNN未经训练以及在结合RNN节点的瞬时响应的输出层上使用简单的lin-1 eR-ear回归[？？]。这些考虑因素通过使用七个技术平台（包括微电子学，旋转和光子学[？？]。在后一类中，已经提出了各种插曲[？ ]包括大规模的自由空间体系结构[？？？]，光反馈体系结构[？？？]和光子集成电路[？？]。这些物理系统已经在各种任务上证明了最先进的性能，包括非线性通道均衡，混乱的时间序列预测和语音识别[？]。]，其中一个物理非线性反馈体系结构依赖于时间延迟储层（TDRC）方法[？