XiaoMi-AI文件搜索系统
World File Search System神经计算
神经计算与应用
摘要：脑电图 (EEG) 记录有助于解码张开/闭合手部的动作准备。为此，通过波束形成解决逆问题，提取运动皮层中的皮层源信号（相对于运动开始提前 1 秒）。EEG 源时期用作源时间图输入到自定义深度卷积神经网络 (CNN)，该神经网络经过训练可执行双向分类任务：手闭合前 (HC) 与静息状态 (RE) 以及手张开前 (HO) 与 RE。虽然深度 CNN 效果很好（HC 与 RE 的准确率高达 89.65+-5.29%，HO 与 RE 的准确率高达 90.50+-5.35%），但在本研究中，我们探索了深度 CNN 的可解释性，以进一步了解手部亚运动准备过程中皮层源的隐藏激活机制。具体来说，进行遮挡敏感性分析以调查哪个皮质区域最好参与分类过程。实验结果显示，受试者的皮质激活具有反复出现的空间模式；特别是靠近纵向裂隙的中央区域以及运动前区和初级运动皮质的右颞区似乎参与程度很高。这些发现鼓励深入研究似乎在手的张开/闭合准备中发挥关键作用的皮质区域。
CS331-15神经计算
- 神经元的网络：神经元网络如何布置在大脑中；人造网络的常见体系结构。编码和表示：如何在神经网络中表示信息；放置编码；分布式表示。- 学习和记忆：生物神经元中的可塑性；记忆理论；在人造网络中学习。- 视图：人类视觉系统的结构；视网膜，LGN和皮质加工的功能；视觉的人工网络模型。
神经计算和应用
摘要：癫痫尖峰是脑电图中互补的信息来源，可以诊断和定位癫痫的起源。但是，不仅对脑电图劳动的视觉检查不仅是耗时，而且耗时且容易出现人为错误，而且还需要长期培训才能获得识别癫痫释放所需的技能水平。因此，采用了计算机辅助方法，目的是节省时间并提高检测和来源定位精度。由于形态相似，可能被混淆为癫痫尖峰的最重要伪影之一是眼睛眨眼。只有少数研究考虑在检测前去除此伪像，并且大多数使用视觉检查或计算机辅助方法需要专家监督。因此，在本文中，开发了一个无监督和基于脑电图的系统，具有嵌入式眼睛眨眼伪影的去除剂，以检测癫痫尖峰。所提出的系统包括三个阶段：眼睛眨眼伪影，特征提取和分类。小波变换均用于移除和特征提取步骤，以及用于分类目的的自适应神经模糊推理系统。使用公开可用的脑电图数据集对所提出的方法进行了验证。与类似的研究相比，结果显示了使用低分辨率EEG使用低分辨率EEG，计算复杂性，最高灵敏度和较小的人类相互作用的低分辨率EEG检测癫痫尖峰的效率。此外，由于癫痫尖峰检测是癫痫源定位的重要组成部分，因此该算法可用于基于脑电图的癫痫病前术前评估。
通信网络中神经计算技术的性能
应将通讯发送到Junho Jeong：yanyenli@dongguk.edu文章INFO杂志机器和计算杂志（http://anapub.co.co.ke/journals/jmc/jmc/jmc.html）doi：修订表格2022年12月18日； 2022年12月30日接受。2023年4月5日在线可用。©2023作者。由Anapub出版物出版。这是CC BY-NC-ND许可证下的开放访问文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）摘要 - 这项研究调查了在通信网络中使用神经计算技术的使用，并根据错误率，延迟和吞吐量评估其性能。结果表明，不同的神经计算技术，例如人工神经网络（ANN），卷积神经网络（CNN），复发性神经网络（RNN），长期短期记忆（LSTM）和生成的对抗网络（GAN）在提高绩效方面具有不同的权衡。技术的选择将基于应用程序的特定要求。研究还评估了不同通信网络体系结构的相对性能，并确定了与在通信网络中应用不同技术相关的权衡和限制。研究表明，需要进一步的研究来探索技术的使用，例如深度强化学习；在通信网络中，并研究如何使用技术的使用来提高通信网络的安全性和鲁棒性。关键字 - 人工神经网络（ANN），卷积神经网络（CNN），经常性神经网络（RNN），长期短期记忆（LSTM），生成对抗网络（GANS）。
使用随机设备的概率神经计算
在追求这一目标的过程中，消除不可预测的行为已被视为一项必要的工程费用。消除计算噪声的努力涵盖了整个微电子技术堆栈，从研究高可靠性材料和设备到纠错电路和架构，再到容错系统和算法。确定性计算显然取得了令人难以置信的成功——在不到四分之三个世纪的时间里，我们已经从大约一千个只能进行相对简单计算的阴极管阵列过渡到每秒能够处理 10 18 次浮点运算的高性能计算百亿亿次系统。[2,3] 然而，能耗已日益成为传统处理器面临的挑战。人工智能 (AI) 和机器学习 (ML) 在多种应用中的采用越来越广泛，以及对更多计算的需求不断增长，导致对结合多种技术（图形处理单元 (GPU)、中央处理单元 (CPU) 等）的异构计算平台的需求更高。随着越来越多的处理器被整合，未使用的处理器需要关闭以处理散热问题（即“暗硅”）。[4] 这些问题加上大量新设备、内存计算、高效的芯片间通信、3D 堆叠和集成技术
言语运动发展的神经计算建模
语音运动控制的 DIVA 模型发音器官速度方向 (DIVA) 模型是一个人工神经网络，可定量描述语音运动控制背后的计算（Guenther，1995；Tourville 和 Guenther，2011；E. Golfinopoulos、Tourville 和 Guenther，2010；有关详细说明，请参阅 Guenther，2016）。它包含一个模拟组件网络，这些组件代表负责产生语音的大脑结构。该模型包括一个模仿声道行为的发音合成器，神经网络学习控制合成器发音器官的运动，以产生可理解的语音。我们在此重点关注模型的神经计算和发展过程的更高级别处理，避免使用数学方程和计算机实现细节，以方便处理。为了理解该模型，我们首先将 定义为大脑中具有自己优化的运动程序的“语音块”。这些块可以是音素、音节和/或单词，具体取决于所考虑的年龄和语言经验。根据许多先前的提议（例如，Kozhevnikov & Chistovich，1965；Levelt，1993；MacNeilage & Davis，1990），并得到音素组合分布分析（Sun & Poeppel，2022；Kessler & Treiman，1997）的支持，我们建议
体内神经计算和行为的树突机制
树突接收单个神经元的绝大部分输入，并协调这些信号向神经元输出的转换。体外和理论证据表明树突具有强大的处理能力，但人们对这些机制在完整大脑中是如何运作的，以及它们如何影响电路动力学知之甚少。新的实验和计算技术引起了人们对揭示和利用其计算潜力的兴趣。这篇综述重点介绍了最近和新兴的研究，这些研究结合了成熟和尖端技术来确定树突在大脑功能中的作用。我们讨论了树突在新皮层和海马锥体神经元中对感觉知觉和学习的主动介导。作为这些生理发现的补充，我们提出了理论工作，通过使用生物学上可行的树突过程实现，为单个神经元和网络的底层计算提供了新的见解。最后，我们提出了一种新颖的脑机接口任务，该任务通过分析躯体树突耦合来研究生物信用分配的机制。总之，这些发现代表着在理解树突如何对体内学习和行为至关重要方面取得了令人兴奋的进展，并强调了亚细胞过程如何有助于我们理解生物和人工神经计算。
使用随机设备的概率神经计算
在追求这一目标的过程中，消除不可预测的行为已被视为一项必要的工程费用。消除计算噪声的努力涵盖了整个微电子技术堆栈，从研究高可靠性材料和设备到纠错电路和架构，再到容错系统和算法。确定性计算显然取得了令人难以置信的成功——在不到四分之三个世纪的时间里，我们已经从大约一千个只能进行相对简单计算的阴极管阵列过渡到每秒能够处理 10 18 次浮点运算的高性能计算百亿亿次系统。[2,3] 然而，能耗已日益成为传统处理器面临的挑战。人工智能 (AI) 和机器学习 (ML) 在多种应用中的采用越来越广泛，以及对更多计算的需求不断增长，导致对结合多种技术（图形处理单元 (GPU)、中央处理单元 (CPU) 等）的异构计算平台的需求更高。随着越来越多的处理器被整合，未使用的处理器需要关闭以处理散热问题（即“暗硅”）。[4] 这些问题加上大量新设备、内存计算、高效的芯片间通信、3D 堆叠和集成技术