XiaoMi-AI文件搜索系统
World File Search System神经网络
黎曼方法与卷积神经网络
摘要 目的。迄今为止，在基于 EEG 的脑机接口中，黎曼解码方法与深度卷积神经网络的全面比较仍未在已发表的研究中出现。我们使用 MOABB（所有 BCI 基准之母）来解决这一研究空白，将新型卷积神经网络与最先进的黎曼方法进行比较，这些方法涉及广泛的 EEG 数据集，包括运动想象、P300 和稳态视觉诱发电位范式。方法。我们使用 MOABB 处理管道系统地评估了卷积神经网络（特别是 EEGNet、浅层 ConvNet 和深度 ConvNet）与成熟的黎曼解码方法的性能。该评估包括会话内、跨会话和跨受试者方法，以提供模型有效性的实用分析，并找到在不同实验设置中表现良好的整体解决方案。主要结果。我们发现在会话内、跨会话和跨受试者分析中，卷积神经网络和黎曼方法之间的解码性能没有显着差异。意义。结果表明，在使用传统的脑机接口范式时，在许多实验环境中，CNN 和黎曼方法之间的选择可能不会对解码性能产生重大影响。这些发现为研究人员提供了灵活性，可以根据诸如易于实施、计算效率或个人偏好等因素选择解码方法。
整体神经网络的现状与发展前景
摘要：高通量遗传筛选有助于发现触发特定细胞功能和/或表型的关键基因或基因序列。功能丧失性遗传筛选主要通过RNA干扰（RNAi）、CRISPR敲除（CRISPRko）和CRISPR干扰（CRISPRi）技术实现。功能获得性遗传筛选主要依赖于cDNA文库的过表达和CRISPR激活（CRISPRa）。碱基编辑可以进行功能获得性和功能丧失性遗传筛选。本综述讨论了基于Cas9核酸酶的遗传筛选技术，包括Cas9介导的基因组敲除和基于dCas9的基因激活和干扰。我们将这些方法与以前基于RNAi和cDNA文库过表达的遗传筛选技术进行了比较，并提出了CRISPR筛选的未来前景和应用。
使用人工智能和神经网络算法
背景：创伤是全球第三大死亡原因，也是 44 岁以下人群的首要死亡原因。对于创伤患者，尤其是当天早些时候受伤的患者，动脉血气 (ABG) 被视为黄金标准，因为它可以为医生提供重要信息，例如检测内伤程度，尤其是肺部损伤程度。但是，通过实验室方法测量这些气体是一项耗时的任务，而且很难对患者进行采样。测量这些气体所需的设备也很昂贵，这就是为什么大多数医院没有这种设备的原因。因此，无需临床试验即可估算这些气体可以挽救创伤患者的生命并加速他们的康复。方法：在本研究中，通过收集有关 2280 名创伤患者的信息，提出了一种基于人工神经网络的动脉血气估计和预测方法。在所提出的方法中，通过训练前馈反向传播神经网络（FBPNN），神经网络只能根据患者的初始信息预测这些气体的量。所提出的方法已经在MATLAB软件中实现，并且收集的数据测试了其准确性，并给出了其结果。结果：结果显示预测动脉血气的准确率为87.92％。预测的动脉血气包括PH，PCO2和HCO3，其准确率分别为99.06％，80.27％和84.43％。因此，所提出的方法在预测动脉血气方面具有相对较好的准确性。结论：鉴于这是第一项使用初始患者信息（收缩压 (SBP)、舒张压 (DBP)、脉搏率 (PR)、呼吸频率 (RR) 和年龄）预测动脉血气的研究，并且基于结果，所提出的方法可以成为协助医院和实验室专家的有用工具。关键词：动脉血气、创伤、神经网络、预测。
SLAC 神经网络库 (SNL)
带有 NN 的 SW • 我们更进一步进行了功率比较。• 表格展示了从实际 KCU105 板获得的 CNN 和 MLP 示例的功率测量值。• 观察结果：• Vivado 估算的功率与在硬件上测得的实际功率之间存在明显差异。• 具体而言，与物理硬件测量值相比，Vivado 对 Tiny CNN 网络的功率估计有 1.4645W 的差异。• 同样，Vivado 对 MLP 网络的功率估计有 1.0645W 的差异。• 对于 MLP，NW 消耗的功率更高，因为它具有更高的参数数量，需要增加内存映射和内存与逻辑单元之间更广泛的计算，从而导致功耗增加。
基于人工神经网络的设计开发
由 TAHİR VOLKAN SANLI 提交，部分满足中东技术大学航空航天工程系理学硕士学位要求，由 Gülbin Dural Ünver 教授、自然与应用科学研究生院院长 Ozan Tekinalp 教授、航空航天工程系主任 Altan Kayran 教授、中东技术大学航空航天工程系主管 审查委员会成员：副教授Demirkan Çöker 教授、中东技术大学航空航天工程系 Altan Kayran 教授、中东技术大学航空航天工程系 Mehmet Ali Güler 教授、TOBB 机械工程系副教授Ercan Gürses 教授、中东技术大学航空航天工程系副教授D. Funda Kurtuluş 教授、中东技术大学航空航天工程系
使用神经网络量子状态
量子波函数作为神经网络量子状态（NQS）的表示提供了强大的变异ANSATZ，用于查找多体量子系统的基态。然而，由于复杂的变分景观，传统方法通常采用量子几何张量的计算，因此可以使用优化技术。为旨在制定替代方法的努力做出贡献，我们引入了一种绕过度量标准的计算的方法，而是仅依赖于用欧几里得度量的一阶梯度下降。这允许应用较大的神经网络，并使用其他机器学习域中使用更标准的优化方法。我们的方法通过构建源自schrödinger方程的目标波函数，然后训练神经网络以近似该目标来利用假想时间演变的原理。我们通过确定最佳时间步长并保持目标固定直到NQS的能量减少来使此方法自适应和稳定。我们通过使用2D J 1 - J 2 Heisenberg模型的数值实验证明了我们计划的好处，该模型与直接能量损失最小化相比，它展示了增强的稳定性和能量准确性。重要的是，我们的方法通过良好的密度矩阵重新归一化组方法和NQS优化具有随机重新配置，以表现出竞争力。
神经网络通过...构建自适应接口
在人机界面中，解码器校准对于实现与机器的有效无缝交互至关重要。然而，由于解码器离线预测能力通常并不意味着易于使用，因此重新校准通常是必要的，这是因为在校准过程中无法考虑闭环动态和用户适应性。在这里，我们提出了一种自适应界面，它利用迭代训练的非线性自动编码器来执行在线流形识别和跟踪，其双重目标是减少界面重新校准的需要并提高人机联合性能。重要的是，所提出的方法避免中断设备的操作，它既不依赖于有关任务状态的信息，也不依赖于稳定的神经或运动流形的存在，因此可以在界面操作的最早阶段应用它，此时新神经策略的形成仍在进行中。为了更直接地测试我们算法的性能，我们将自动编码器潜在空间定义为身体-机器界面的控制空间。在初始离线参数调整之后，我们评估了自适应接口与静态解码器在近似用户同时学习在潜在空间内执行伸展动作的不断发展的低维流形方面的表现。结果表明，自适应方法提高了接口解码器的表征效率。同时，它显著提高了用户的任务相关表现，表明在线共同适应过程鼓励开发更准确的内部模型。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可 (http://creativecommons.org/licenses/by-nc-nd/4.0/) 开放获取的文章。
图神经网络加速综述
图神经网络 (GNN) 正在图结构数据的机器学习研究中兴起。GNN 在许多任务上都实现了最先进的性能，但在具有大量数据和严格延迟要求的实际应用中，它们面临着可扩展性的挑战。为了应对这些挑战，人们已经进行了许多关于如何加速 GNN 的研究。这些加速技术涉及 GNN 管道的各个方面，从智能训练和推理算法到高效的系统和定制硬件。随着 GNN 加速研究数量的快速增长，缺乏系统的处理来提供统一的观点并解决相关工作的复杂性。在这篇综述中，我们提供了 GNN 加速的分类法，回顾了现有的方法，并提出了未来的研究方向。我们对 GNN 加速的分类处理将现有的工作联系起来，并为该领域的进一步发展奠定了基础。
神经网络应用于知识获取...
VI.1 .从神经网络的例子中学习....................................................... .... 84 ........................................................ ................六.2.神经网络中的输入和输出数据 8 6 ................................................ . ...................... 六.3.神经网络中概念的表示 8 9 ................................................ .. ...................................... . VI.3.1 简单概念：9 0 ...................................... ...................................... VI.3.2 .复合概念：9 5 ................................................ ................................. VI.3.3 .数字概念：9 8 ................................................ ................................................. ................................... VI.4.结论 99 ................................................ Vi1 .分类问题的架构 103． ...................................................... .......... VI1 . 1 神经网络问题的表示 103 ................................................ .. ...................................... . VII.2 分类中的神经网络 105 ...................................................... ................................................. ...... VII.2 提议的架构。 108................................................ ............ VII.3 建议架构的算法 112 ................................................ ........................................