XiaoMi-AI文件搜索系统
World File Search System尖峰
稀疏学习尖峰的生物启发实现......
摘要 — 神经系统，更具体地说是大脑，能够简单高效地解决复杂问题，远远超过现代计算机。在这方面，神经形态工程是一个研究领域，专注于模仿控制大脑的基本原理，以开发实现这种计算能力的系统。在这个领域，仿生学习和记忆系统仍然是一个有待解决的挑战，这就是海马体的作用所在。它是大脑中充当短期记忆的区域，允许学习和非结构化、快速存储来自大脑皮层所有感觉核的信息，并随后回忆起来。在这项工作中，我们提出了一种基于海马体的新型仿生记忆模型，该模型能够学习记忆，从提示（与其余内容相关的记忆的一部分）中回忆记忆，甚至在尝试学习具有相同提示的其他记忆时忘记记忆。该模型已在 SpiNNaker 硬件平台上使用脉冲神经网络实现，并进行了一系列实验和测试以证明其正确且符合预期的操作。所提出的基于脉冲的记忆模型仅在收到输入时才会产生脉冲，具有节能效果，并且学习步骤需要 7 个时间步，调用先前存储的记忆需要 6 个时间步。这项工作提出了第一个功能齐全的生物启发式基于脉冲的海马记忆模型的硬件实现，为未来更复杂的神经形态系统的开发铺平了道路。
与尖峰神经网络的对称性感知-Dr -ntu
©2021作者。本文是根据Creative Commons归因4.0国际许可证的许可，该许可允许以任何媒介或格式的使用，共享，适应，分发和复制，只要您适当地归功于原始作者和来源，就可以提供与Creative Commons许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
尖峰谈话：创世纪和神经编码方案翻译
摘要 - 尽管未来电网的数字化提供了几种协调激励措施，信息和通信技术（ICT）的可靠性和安全性却阻碍了其整体绩效。在本文中，我们通过统一的功率和信息来介绍一种新颖的插座尖峰谈话，作为使用SPIKES协调对微电网控制的数据归一化的手段。这种网格边缘技术允许每个分布式能源资源（DER）通过使用沿着领带线的功率流相互交互来独立执行二级控制理念。受到计算神经科学领域的启发，Spike Talk基本上基于我们大脑中的信息传递理论的细粒平行性，尤其是当神经元（建模为DERS）通过突触（模型为Tie Line）传输信息（从每个DER上测量的功率流）发射信息（从每个DER测量）。Spike Talk不仅可以简化并通过驳回ICT层来解决网络物理建筑操作的当前瓶颈，而且还提供了基础设施，计算和建模的内在运营和成本效益的机会。因此，本文提供了关键概念和设计理论的教学插图。由于我们专注于本文中的微电网的协调控制，因此研究了一些负责将相关局部测量值转换为尖峰的神经编码方案的信号准确性和系统性能。
基准的尖峰神经网络学习方法具有不同的位置
摘要 - 提供更现实的神经元动力学的启用神经网络（SNN）已证明在几个机器学习任务中实现了与人工神经网络（ANN）相当的性能。信息在基于事件的机制中以显着降低能源消耗的基于事件的机制而作为SNN中的峰值进行处理。但是，由于尖峰机制的非差异性质，训练SNNS具有挑战性。传统方法，例如通过时间的反向传播（BPTT），已显示出有效性，但具有额外的综合和记忆成本，并且在生物学上是难以置信的。相比之下，最近的作品提出了具有不同程度的地方性的替代学习方法，在分类任务中表现出成功。在这项工作中，我们表明这些方法在培训过程中具有相似性，同时它们在生物学合理性和性能之间进行了权衡。此外，这项研究研究了SNN的隐式复发性质，并研究了向SNN添加显式复发的影响。我们在实验上证明，添加显式复发权重可以增强SNN的鲁棒性。我们还研究了基于梯度和非梯度的对抗性攻击下本地学习方法的性能。索引术语 - 启用神经网络，本地学习，培训方法，集中的内核对齐，Fisher信息。
p300心脏和脑尖峰盒实验指南
- 与先前的脑电图实验一样，该放大器的过滤器设置就在房屋电气系统的最佳位置，因此在此实验中，您必须非常警惕噪声。让您的笔记本电脑和Spikerbox远离任何电源插座，远离任何荧光灯等。还可以让您的笔记本电脑仅在电池电源上运行。如果信号似乎过于嘈杂且不稳定，请在头带电极和头皮之间添加更多的导电凝胶。
使用元神经算法的培训尖峰神经网络
摘要：从大脑中汲取灵感，已经提出了尖峰神经网络（SNN）来理解和减少机器学习和神经形态计算之间的差距。超级学习是传统ANN中最常用的学习算法。然而，由于尖峰神经元的不连续和非差异性质，直接使用基于反向传播的监督学习方法培训SNN具有挑战性。为了克服这些问题，本文提出了一种新颖的基于元疗法的监督学习方法，以适应时间误差函数。我们研究了七种称为Harmony Search（HS），杜鹃搜索（CS），差异进化（DE），粒子群优化（PSO），遗传算法（GA），人工BEE COLONY（ABC）和语法进化方法的遗传算法（GA），遗传算法（GA），遗传算法优化（GA），遗传算法优化（GA），遗传算法优化（GA），用于携带网络培训的搜索方法。使用相对目标频率时间而不是固定和预定的时间，使误差函数的计算更加简单。使用UCI机器学习存储库中收集的五个基准数据库评估了我们所提出的方法的表现。实验结果表明，与其他实验算法相比，该提议的算法在解决四个分类基准数据集方面具有竞争优势，其准确率为0.9858、0.9768、0.77752，而IRIS，癌症，糖尿病，糖尿病和0.6871的精度为0.9858、0.9768、0.77752和0.6871。在七种元启发式算法中，CS报告了最佳性能。
选择神经尖峰检测的有效幅度阈值
脑机接口正在利用细胞外记录中的神经尖峰波形或尖峰时间实现重要的新功能 [1]，[2]。尖峰检测是从记录中提取神经尖峰的重要步骤。它不仅可以提取用于神经活动解码的信息，还可以将数据带宽减少数百甚至数千倍，从而实现无线传输并实现完全植入神经接口而无需经皮导线突破皮肤。尖峰检测性能对于保存神经信息和避免解码精度下降至关重要。阈值是尖峰检测的最常用方法，超过阈值的值被视为尖峰。面对不断变化的大脑环境，自适应且稳健的阈值至关重要。文献中提出了许多用于定义阈值的算法。一种方法是使用计算算法 [3]，[4]，例如短时傅立叶变换、小波变换和模板匹配。还有一些算法方法，例如反馈控制阈值 [5]。最常见的方法是根据信号统计数据设置阈值。噪声统计数据被广泛用于设置阈值。还提出了一种硬件高效估计方法，使用乘数将平均值/中位数/标准差/均方根值设置为阈值 [6]。其他人选择使用稳健统计估计来设置阈值 [7]。将阈值设置为 T = αN ，其中 N 是噪声统计数据，α 是用户定义的参数，这是设置阈值的常用方法 [8]。由于其简单性，这种方法在植入体实施中尤其受欢迎 [9]。然而，这种算法的自适应性
SARS-COV-2尖峰蛋白的广谱大环肽抑制剂
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权所有，该版本发布于2023年2月28日。 https://doi.org/10.1101/2022.11.11.11.516114 doi：Biorxiv Preprint
使用神经尖峰稳健的转码感觉信息
摘要 - 神经编码，包括编码和解码，1是神经科学的关键问题之一：2大脑如何使用神经信号将感觉感知3和运动行为与神经系统联系起来。然而，其中大多数研究仅旨在处理神经系统的类比信号5，同时缺乏生物6神经元的独特特征，称为Spike，这是神经计算的基本信息7单元，以及8个脑氨基素界面的基础。针对这些局限性，我们构成了一个转码框架，将多模式感觉10信息编码为神经尖峰，然后从11个尖峰中重建刺激。可以将感官信息压缩为10％的神经峰值，但通过重建100％的信息100％。我们的框架不仅可以可行，14个准确地重建动态视觉和听觉场景，15，还可以重建功能性磁性16共振成像大脑活动的刺激模式。重要的是，它具有各种类型的人工噪声18和背景信号的噪声免疫的17种能力。所提出的框架提供了19种有效的方法来以高通量方式执行多模式特征表示和20种重建，在嘈杂的环境中，有效的神经形态计算的潜在用法21。22
尖峰神经网络的脑启发的神经电路演变
在生物神经系统中，不同的神经元能够自组织形成不同的神经回路，以实现多种认知功能。但是，尖峰神经网络的当前设计范式基于深度学习的结构。这种结构以前馈连接为主，而无需考虑不同类型的神经元，这显着阻止了尖峰神经网络在复杂的任务上意识到它们的潜力。将生物神经回路的丰富动力学特性用于对当前尖峰神经网络的结构进行建模。本文通过将饲喂和反馈连接与兴奋性和抑制性神经元相结合，提供了更具生物学上合理的进化空间。我们利用神经元的局部尖峰行为来适应发展神经回路，例如正向激发，正向抑制，反馈抑制和局部局部抑制峰值依赖性依赖性可塑性，并与全球误差信号结合使用突触量。通过使用进化的神经回路，我们构建了尖峰神经网络，用于图像分类和增强学习任务。使用具有丰富的神经回路类型的脑启发的神经电路演化策略（NEUEVO），进化的尖峰神经网络极大地增强了感知和强化学习任务的能力。Neuevo在CIFAR10，DVS-CIFAR10，DVS-GETURE和N-CALTECH101数据集上实现了最新的性能，并在ImageNet上实现了高级性能。与人工神经网络一起实现可相当的性能，结合了上政策和非政策深度加固学习算法。TheevolvedSpikingNeuralCircuitSlayThayThayThayThaythayTheFoundationForneFoundationFortheeFoundationFortheeFoundationFortheeFoldutionforpsects and voldicts具有功能。