XiaoMi-AI文件搜索系统
World File Search System启发
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：
脑启发人工智能中的规划
本文概述了规划作为一种认知功能的工程和神经科学模型。目的是呈现工程和神经科学中现有的规划模型，作为实现类脑人工智能规划功能的参考。根据调查结果，我们还将从挑战和架构的角度提出类脑人工智能下一步的研究和开发应该做的事情。 预计将来会根据本文提出具体的研究要求。 规划是通用智能的一项重要认知功能，因为它允许系统在未知情况下无需新学习即可（现场）解决问题。在一般智力的讨论中，计划被认为是流体智力的典型功能。 自人工智能诞生以来，工程界一直在研究规划，符号化问题也有解决方案。然而，目前解决非公式化现实问题仍然很困难。除了人类之外，苏格兰乌鸦等动物也以能够解决复杂的规划问题而闻名，其他动物也必须进行某种形式的规划才能在野外生存。在哺乳动物的大脑中，前额叶皮层已知参与计划。 下面，我们首先概述规划，介绍工程模型，然后展示神经科学模型调查的结果。最后，我们考虑创建规划大脑模型的策略。具体来说，问题和评估基准
揭示硅藻启发材料的多功能性
硅藻被描述为“纳米级光刻师”，因为它们能够制造复杂的三维无定形二氧化硅外骨骼。这些结构的层次结构为硅藻提供了机械保护以及过滤、漂浮和操纵光线的能力。因此，它们成为一种非凡的多功能材料模型，可供人们从中汲取灵感。在本文中，我们使用数值模拟、分析模型和实验测试来揭示 Coscinodiscus 物种硅藻的结构和流体动力学效率。然后，我们提出了一种新型的 3D 可打印多功能仿生材料，可用于多孔过滤器、热交换器、药物输送系统、轻型结构和机器人等应用。我们的研究结果证明了大自然作为高效可调系统的材料设计师的作用，并突出了硅藻在工程材料创新方面的潜力。此外，本文报告的结果为扩展硅藻的结构-性能表征奠定了基础。
成熟度网格启发方法 - CiteSeerX
沟通是设计成功的关键因素。它可以看作是选择信息、在互动伙伴之间交换消息以及创造意义的社会和认知过程。如何最好地捕捉、分析和评估沟通过程，作为改进沟通实践建议的初步步骤，仍然是研究人员和从业人员面临的挑战。为此，开发了一种受成熟度网格启发的方法来审计沟通实践。本文采用成熟度网格方法，并批判性地反思了它在软件设计结构化小组研讨会中的构建和应用。这种方法有双重好处：（a）作为一种研究方法来收集对沟通的洞察，（b）作为规划实践改进的指南。得出了设计中审计沟通过程的结论。� 2006 Elsevier Ltd. 保留所有权利。
来自纤维素的生物启发光子材料
多糖是一类生物聚合物，在生物体中被广泛用于从结构增强到能量储存等各种用途。在自然界中发现的众多类型的多糖中，纤维素是最丰富的，因为它存在于每种植物中。纤维素通常在细胞壁内组织成纳米级结晶原纤维，以赋予植物组织结构完整性。然而，在一些物种中，这种原纤维被组织成螺旋纳米结构，其周期性与可见光相当（即在 250 – 450 nm 范围内），从而产生结构着色。因此，当以生物灵感作为设计原则时，很明显螺旋纤维素结构是开发可持续光子材料的一种有前途的方法。
受侧向抑制启发的结构...
自从深度学习在计算机视觉领域出现用于图像分类以来，卷积神经网络 (CNN) 已成为强大而流行的工具。为了更好地识别，人们探索了深度和宽度的维度，从而产生了具有更多层和通道的卷积神经网络。除了这些因素之外，神经生物学还表明横向抑制（横向拮抗，例如马赫带效应），这是一种广泛存在的视觉现象，它增加了横向附近神经元激发的对比度和清晰度，以帮助识别。然而，这种机制在卷积神经网络的设计中还没有得到很好的探索。在本文中，我们明确探索了横向方向上的滤波器维度，并提出了我们的横向抑制启发 (LI) 结构。我们的简单设计使用低通滤波器来模拟来自邻居的横向相互作用的强度衰减。每个通道应用一个可学习的参数来通过乘法设置低通滤波器的幅度，这可以灵活地模拟各种横向相互作用（包括横向抑制）。然后从输入中减去卷积结果，这可以增加对比度和清晰度，从而更好地识别。此外，应用可学习的缩放因子和移位来调整减法后的值。我们的横向抑制启发 (LI) 结构适用于普通卷积和具有残差连接的卷积块，同时与现有模块兼容。初步结果表明，AlexNet (7.58%) 和 ResNet-18 (0.81%) 在 ImageNet 数据集上分别有明显的改进，而参数几乎没有增加，这表明我们的类似大脑的设计从不同角度有效地帮助了图像分类的特征学习。
新加坡 - 省 - 启动 - 启发 - small- ...
学年AY23/24学期1课程协调员助理助理教授和副教授Elbert Chia课程代码PH3103量子力学前提条件的课程技术应用PH2101 PH2101量子力学1量子力学1量子力学1量子机械师1互斥nil no ous 3 au接触时间nil no no no no教程：12小时提案日期2023年7月14日，AIMS量子力学是许多物理和无数现代技术领域的基础。本课程是基于现代量子力学的三个主要领域的介绍：（1）原子和分子物理学，（2）凝结物理学和（3）核物理学。学生将受到每个主题的基本概念，并得到充分的例子和应用程序的支持。在课程结束时，希望学生对量子力学理论及其与现实生活的联系有更深入的了解。预期的学习成果（ILO）在本课程结束时，您（作为学生）将能够：基本量子力学 - QMI（b）的修订：
基于量子启发的遗传算法模型自动
由于许多优势，近年来自动调制分类（AMC）的受欢迎程度很高。在交流方面，AMC的可靠性非常关键。增加信号的数量成倍增加了使用AMC的成本。精确的分类方法，例如神经网络，其中神经网络的参数或输入变量的尺寸或输出变量的尺寸是动态修改的，在获得高精度结果方面尚未成功。为了提高调制分类的准确性，本研究采用基于量子（灵感）遗传算法（Qiga）的“ Qiga”特征选择模型。qiga用于选择正确的功能，并限制必须学习的示例数量，以便缩短整体系统时间并降低计算成本。选择出色的特性通过量子计算增强，这是为了降低解决方案的复杂性。内部验证结果表明，Qiga模型显着提高了统计匹配质量，并显着优于其他模型。关键字
使用脑启发的尖峰神经网络模型
1听力学部分，奥克兰大学，奥克兰1023，新西兰； philip.sanders@auckland.ac.nz（P.J.S. ）; zohreh.doborjeh@auckland.ac.nz（Z.G.D.） 2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：1听力学部分，奥克兰大学，奥克兰1023，新西兰； philip.sanders@auckland.ac.nz（P.J.S.）; zohreh.doborjeh@auckland.ac.nz（Z.G.D.）2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：
脑启发计算的系统层次结构
神经形态计算从大脑中汲取灵感，为计算技术和架构提供了推动下一波计算机工程浪潮的潜力 1–13 。这种受脑启发的计算也为通用人工智能的发展提供了一个有希望的平台 14,15 。然而，与传统计算系统不同，传统计算系统具有围绕图灵完备性和冯·诺依曼架构 16–18 概念构建的完善的计算机层次结构，而目前还没有针对脑启发计算的通用系统层次结构或对完整性的理解。这会影响软件和硬件之间的兼容性，削弱脑启发计算的编程灵活性和开发效率。在此，我们提出了“神经形态完整性”，它放宽了对硬件完整性的要求，以及相应的系统层次结构，其中包括图灵完备的软件抽象模型和多功能的抽象神经形态架构。使用这个层次结构，各种程序都可以被描述为统一的表示，并转换为任何神经形态完整硬件上的等效可执行文件——也就是说，它确保了编程语言的可移植性、硬件完整性和编译可行性。我们实现了工具链软件来支持在各种典型硬件平台上执行不同类型的程序，展示了我们系统层次结构的优势，包括神经形态完整性引入的新系统设计维度。我们期望我们的研究将使脑启发计算系统的各个方面取得高效、兼容的进展，促进包括人工智能在内的各种应用的开发。