XiaoMi-AI文件搜索系统
World File Search System人工神经网络
在模拟环境中使用人工神经网络估计道路摩擦力
3.1 Unity 3D 中的车辆模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...
心脏病学中的人工神经网络：数值和文本数据的分析
医疗方法、设备和仪器的密集发展使得检测疾病的新指标（标记物）成为可能[1–3]，从而提高了诊断质量，这对于心血管疾病（CVD）尤其重要[4–6]在工业中心。然而，诊断特征数量的增加意味着处理时间的增加和医生系统化过程的复杂化，因为临床数据通常是零散的，既可以以定量指标的形式呈现，也可以以图像和文本数据的形式呈现。通过引入风险量表可以部分解决这一问题，心脏病学和心脏外科领域的典型例子有SCORE、TIMI、CRUSADE、GRACE等。 [7, 8]。尽管这种方法已被证明具有很高的效率，但这些秤有一个明显的初始缺点——人为限制了半自动计数所必需的构造参数[9]。此外，量表在与用于创建或验证该工具的人群相似的人群中表现相当良好，这可能会导致其他人群的估计出现严重偏差[9]。值得注意的是，患者的医疗检查、病史和体格检查会形成大量数据，这些数据可能有助于预测结果、做出诊断和确定在扩展方法中通常不会考虑到的风险。因此，
使用粒子群优化人工神经网络检测黑色素瘤
黑色素瘤是一种最可怕的皮肤癌，死亡率很高，最初是通过临床筛查、皮肤镜分析、活检和组织病理学检查进行目视诊断的。如果诊断和早期治疗延误，就会变得很危险。图像处理技术的最新发展有助于有效地检测黑色素瘤，因为由于病变的细粒度变化，检测黑色素瘤是一项艰巨的工作。本文研究了一种使用粒子群优化人工神经网络分析病变不规则性的新分类程序。在本研究论文中，提取病变的颜色特征并使用 PSO-ANN 分类器进行分类。通过标记假阳性率和真阳性率获得的接收者操作特性在分析计算机辅助诊断系统的诊断潜力方面起着至关重要的作用。应用于 ISIC 数据库的分类技术表明曲线下面积为 0.96853，特异性为 90.0%，灵敏度为 94.07%，准确率为 93.04%。
生物神经元的尖峰机制可能会促进人工神经网络
图1 ：（左）生物神经元由细胞体（三角形结构）和树突（小分支）组成。输出信号通过轴突（标记为“输出”）发送到其他神经元。来自另一个神经元的传入尖峰集成在突触处，即传输轴突和树突连接的点。突触由重量（W）表示。（右）在LIF模型中，降低W会延迟神经元的输出尖峰时间，直到输入太小而无法达到阈值（橙色脉冲）（橙色脉冲），并导致输出尖峰的消失。相反，QIF模型没有这样的阈值。尖峰由膜电位的差异表示，这导致输出跨度时间对重量和输入跨度的时机的连续依赖性。信用：D。Dold/维也纳大学；由APS/ Alan Stonebraker div>改编
在人工神经网络中使用的神经可塑性（脑可塑性）
摘要 - 您可能已经听说大脑是塑料的。您知道大脑不是由塑料制成的，大脑可塑性也称为神经可塑性。大脑可塑性是一个物理过程。灰质实际上可以缩小或增厚神经连接可以锻造，精制或削弱和切断。大脑可塑性是指大脑在一生中改变的能力。大脑具有通过在脑细胞（神经元）之间形成新的连接来重组自身的惊人能力。很长一段时间以来，人们相信，随着我们的年龄，大脑的连接变得固定。研究表明，实际上大脑永远不会通过学习来改变。可塑性是大脑随着学习而改变的能力。与学习相关的变化主要发生在神经元之间的连接水平上。可以形成新的连接，现有突触的内部结构可能会改变，但也可以根据所收到的外部刺激和前面存在的连接而部分地进行内部拓扑。我们发现这个想法也可以应用于简单的人工神经网络。在本文中，我们提出了一种新方法，以动态地适应人工神经网络的拓扑，仅使用学习集中的信息。以及在本文中，我们提出的算法已经在结果上相对于多层感知器（MLP）问题进行了测试。索引术语 - 学习，神经可塑性，多层感知（MLP），人工神经网络（ANN），神经元，大脑，突触。
树突正常化可改善稀疏连接的人工神经网络中的学习
。CC-BY-NC-ND 4.0 国际许可证（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是由此预印本的版权持有者于 2020 年 1 月 15 日发布的。 ；https://doi.org/10.1101/2020.01.14.906537 doi：bioRxiv 预印本
支持向量机和人工神经网络期权价格预测的比较研究
选择定价已成为金融市场中非常重要的部分之一。由于市场总是动态的，因此很难准确预测期权价格。因此，已经设计和开发了各种机器学习技术，以解决预测期权价格未来趋势的问题。在本文中，我们比较了支持向量机（SVM）和人工神经网络（ANN）模型的有效性，以预测期权价格。两种模型均使用公共可用数据集的基准测试，即在测试和培训阶段间谍期权价格2015。在两种模型中都使用了通过主成分肛门（PCA）转换的数据，以实现更好的预测准确性。另一方面，整个数据集分为两组培训（70％）和测试集（30％），以避免过度拟合问题。将SVM模型的结果与基于均方根误差（RMSE）的ANN模型的结果进行了比较。实验结果证明了ANN模型的性能优于SVM模型，并且预测的期权价格与相应的实际期权价格非常吻合。
使用人工神经网络与正输出超升洛转换器的循环神经网络控制器优化太阳能
在当今世界，对清洁能源的需求至关重要。从历史上看，水电、风能和太阳能等可再生能源提供了可持续的解决方案。光伏 (PV) 系统使用半导体光伏电池将阳光转化为电能，这种电池已经高效使用了 30 多年。光伏电池效率取决于辐照度（太阳光子强度）和温度。辐照度越高，效率越高，而温度越高，效率越低。尽管光伏系统输出电压较低，但可以使用 DC-DC 正输出超升 Luo 转换器进行优化，以满足负载要求，从而提高系统效率。太阳辐照度全天都在变化，影响光伏电池的输出。最大功率点跟踪器 (MPPT) 调整系统的工作点以保持峰值效率。本研究重点是设计 AI 控制器来管理 MPPT。我们使用三个数据集比较了人工神经网络 (ANN) 和循环神经网络 (RNN) 的性能。目标是确定用于优化太阳能系统的最有效 AI 控制器。
AI（人工知能） - JSA GROUP Webdesk
对于人工智能，各国都在积极制定战略、建立法规标准，但欧美也有一些共同的思考，比如愿意加强在美欧贸易与技术理事会（TTC）内的合作，这将在后面讨论。在中国在IEEE实质性讨论中占据主导地位的同时，美国也采取了遏制中国技术开发活动的举措，比如对芯片（GPU）实施出口管制。斯坦福大学网络政策中心DigiChina论坛2021年12月发表的一份摘要列举了中国在5G标准化中的影响力的例子并表示谨慎，称应密切监视中国的行动。与此同时，莱顿大学（LEIDEN ASIA CENTRE）2022年4月的一份报告指出，应避免不加区分地反对中国参与标准化工作，因为这可能会加速全球技术分化，并导致损害整个欧盟、个别成员国和美国的各种利益。