XiaoMi-AI文件搜索系统
World File Search System神经网络
开发神经网络和...
研究的对象是在医学领域使用人工智能和计算机视觉技术的过程。该研究的主题是在诊断信息系统中引入神经网络及其与移动应用IOS的合作，以诊断皮肤病变和疾病。神经网络的特性是他们根据环境数据学习的能力，并且由于学习提高了生产率。分析了用于在神经网络培训的软件产品中进一步实施的现有方法后，选择了采样训练的并行化方法。最有问题的地方之一是医疗领域的诊断任务，该任务与专家解决方案一起使用基于人工智能和计算机视觉的Mo Dern方法。通过使用人工智能和计算机视觉，专家试图评估患者的病情和准确的诊断，因为人类因素始终存在于医疗领域中，因此人工智能的使用旨在提高患者诊断的质量。研究方法包括计算实验，结果比较分析，面向对象的编程。该研究使用了计算机视觉技术，其中包括用于获取，处理，分析和理解数字图像的方法。用于分析皮肤伤害和疾病的神经网络已受过训练，并且通过创建基于iOS的移动应用程序来诊断和监测皮肤健康的信息系统。实施结果可以使用户有机会监控皮肤状况，收到预防治疗的建议，提供有关疾病治疗或预防疾病的建议，提供信息文献。关键字：神经网络，图形可视化，Coreml，移动应用程序，诊断信息系统。
卷积神经网络
脑电图 (EEG) 使用放置在头皮上的传感器实时测量大脑电活动。必须识别并消除由于眼球运动和眨眼、肌肉/心脏活动和一般电干扰而产生的伪影，以便正确解释 EEG 的有用脑信号 (UBS)。独立分量分析 (ICA) 可有效地将信号分成独立分量 (IC)，这些分量在 2D 头皮地形图 (图像)（也称为地形图）上的重新投影允许识别/分离伪影和 UBS。到目前为止，IC 地形图分析（EEG 的黄金标准）一直由人类专家以视觉方式进行，因此无法用于自动、快速响应的 EEG。我们提出了一个基于 2 D 卷积神经网络 (CNN) 的 IC 拓扑图脑电图伪影识别的完全自动化和有效框架，能够将拓扑图分为 4 类：3 种伪影类型和 UBS。描述了框架设置，并展示、讨论了结果，并将其与其他竞争策略的结果进行了比较。在公共脑电图数据集上进行的实验表明，总体准确率超过 98%，在标准 PC 上用 1.4 秒对 32 个拓扑图进行分类，即驱动一个由 32 个传感器组成的脑电图系统。虽然不是实时的，但提出的框架足够高效，可用于基于快速响应脑电图的脑机接口 (BCI)，并且比其他基于 IC 的自动方法更快。
卷积神经网络
摘要从互联网技术和通信技术的快速发展中受益，行业互联网迅速上升。随着互联网技术的快速发展，网络安全变得越来越突出。此外，入侵攻击会导致系统故障或降低系统性能，因此入侵检测是确保系统可靠性的重要方面。针对运营过程中工业互联网面临的巨大安全风险，本研究提出了一种基于卷积神经网络的工业互联网故障检测模型，该模型最初通过卷积神经网络筛选了卷积神经网络的入侵攻击，并引入了粒子群群群优化算法，以识别筛查的入侵攻击。The experimental results demonstrated that when the training set size was 1600, the accuracy rates of random forest, K-mean clustering algorithm, convolutional neural network and improved convolutional neural network algorithms were 93.2%, 94.9%, 96.3%, and 98.6%, respectively, and the false alarm rates were 6.9%, 5.0%, 3.8%, and 2.1%, respectively.随机森林，K均值聚类，卷积神经网络和改进的卷积神经网络算法的均方根误差值分别为0.32、0.22、0.18和0.11。当训练集大小为800时，相应的F1值为0.81、0.84、0.87和0.98。该研究的结果表明，改进的算法模型优于其他策略，为在工业互联网中的应用提供了坚实的基础。
在低能耗嵌入式设备上实现深度学习和AI - Ceva, Inc.
智能嵌入式视觉应用的设计变得前所未有 的快捷而安全，这要归功于围绕 CEVA-XM6 DSP 而构建的全方位视觉平台。该平台包含 CEVA 深度神经网络（ CDNN ）编译器图表、计 算机视觉软件库以及一系列算法。
统计力学、神经网络和人工智能...
分别来自统计力学和贝叶斯概率的方法对于思考某事是否发生的可能性来说是截然不同的。统计力学是理论物理学的一个领域，在神经网络中主要用作寓言；作为在一个领域创建的模型，并（非常有用地）应用于另一个领域。这几乎就像用物理学来讲故事。这些方法可以成功使用的想法是如此极端，以至于这些方法可以在神经网络和深度学习中找到新家几乎令人震惊。统计力学的概念是受限玻尔兹曼机 (RBM) 学习方法的核心。受限玻尔兹曼机使用的底层方法与随机梯度下降实现（例如反向传播）所使用的方法非常不同。这意味着 RBM 可以具有多层架构并学会区分更复杂的模式，从而克服我们之前讨论过的简单多层感知器 (MLP) 的局限性。统计力学处理的是只能通过其能量状态来区分的小单元的发生概率。相比之下，贝叶斯概率提供了一种截然不同的思考事情发生概率的方式。这两种面向概率的方法共同为高级机器学习方法奠定了基础。既然我们已经确定了统计力学和贝叶斯方法的重要性，我们将把注意力（针对本章和紧接着的章节）限制在统计力学及其与神经网络的基础关系上。稍后，当我们讨论更高级的主题时，我们将全面讨论统计力学和贝叶斯方法的融合。统计力学在神经网络中的作用首次为人所知是在 1982 年 John Hopfield 发表他的研究成果时 [1]。他的研究成果借鉴了 Little 及其同事在 1974 年 [2] 提出的观点。本章介绍了统计力学中的一些关键概念；足以理解一些经典论文的主题：Hopfield 的原创成果（介绍了后来被称为 Hopfield 网络的内容）以及由 Geoffery Hinton 及其同事开发的玻尔兹曼机的一些关键成果。
人工智能神经网络与机器学习
• 6,000,000 黑猩猩和人类的最后一个共同女族长 • 2,000,000 使用工具的人类物种走出非洲 • 300,000 许多人类物种普遍使用火 • 200,000 智人在东非进化 • 70,000 - 40,000 人类认知革命 • 45,000 智人定居澳大利亚 • 16,000 智人定居美洲 • 13,000 所有其他人类物种灭绝
