The Artificial Mind's Eye: Resisting Adversarials for Convolutional Neural Networks using Internal Projection
Nedap N.V.;Radboud University(拉德堡德大学)
我们介绍了一种新的人工神经网络架构,集成了网络结构的对抗性输入的鲁棒性。我们的方法的主要思想是迫使网络对所考虑的类的给定实例的外观进行预测,并随后测试这些预测。通过迫使网络重新绘制图像的相关部分,并随后将新图像与原始图像进行比较,我们让网络给出对象存在的“证据”。
2016-07-14 cs.LG cs.NE
Artificial neural networks and fuzzy logic for recognizing alphabet characters and mathematical symbols
Politecnico di Torino(都灵理工大学);University of Turin(都灵大学);Istituto Superiore Mario Boella(马里奥·博埃拉高等研究院)
光学字符识别软件(OCR)是获取无障碍文本的重要工具。我们建议使用人工神经网络(ANN),以开发模式识别算法能够识别正常的文本和公式。我们提出了一个原始的反向传播算法的改进。此外,我们描述了一种新的图像分割算法,利用模糊逻辑分离触摸字符。
2016-07-06 cs.LG cs.NE
Growing an architecture for a neural network
Ivanovo State University(伊万诺沃州立大学);University of Toledo(托莱多大学)
提出了一种新的建筑结构自动搜索算法。该算法交替修剪连接和添加神经元,它不仅限于分层结构。这里的架构是一个具有某些权重(以及一些偏置和激活函数)的任意定向图,因此在这样的网络中可能没有分层结构。该算法最大限度地减少了保持在给定误差范围内的复杂性。我们展示了我们的算法上的亮度预测问题的下一个点,通过图像上的前几个点。我们的第二个测试问题是定义黑白图像亮度的二元函数的近似。在这两种情况下,我们优化的网络都明显优于神经网络架构的标准解决方案。
2021-08-04 cs.LG cs.NE
Recombination of Artificial Neural Networks
Cray Inc.(克雷公司)
我们提出了一种用于人工神经网络超参数优化的遗传算法(GA),该算法包括染色体交叉以及参数解耦(即,权重和偏差)来自超参数(例如,学习率、权重衰减和脱落)。子节点由三个父节点生成;两个贡献超参数,一个贡献参数。我们的基于群体的训练(PBT)版本将传统的基于梯度的方法(如随机梯度下降(SGD))与我们的GA相结合,以优化SGD时期的参数和超参数。我们对传统PBT的改进提供了更快的适应速度和更大的能力,以摆脱有害基因的人口。我们的方法在各种深度神经网络架构上提高了最终精度以及达到固定精度的时间,包括卷积神经网络、递归神经网络、密集神经网络和胶囊网络。
2019-01-12 cs.LG cs.NE
Scalable Training of Artificial Neural Networks with Adaptive Sparse Connectivity inspired by Network Science
Eindhoven University of Technology(埃因霍温理工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Derby(德比大学)
通过深度学习在各个领域的成功,人工神经网络目前是最常用的人工智能方法之一。从生物神经网络的网络特性(例如稀疏性、无标度性)中获得灵感,我们认为(与一般实践相反)人工神经网络也不应该具有完全连接的层。在这里,我们提出了人工神经网络的稀疏进化训练,在学习过程中,将两个连续神经元层的初始稀疏拓扑(Erdens-Rényi随机图)进化为无标度拓扑的算法。我们的方法取代人工神经网络全连接层与稀疏的训练前,减少了二次参数的数量,而不降低精度。我们在15个数据集上证明了我们对限制玻尔兹曼机,多层感知器和卷积神经网络的无监督和监督学习的要求。我们的方法有可能使人工神经网络的规模超过目前的可能。
2018-06-20 cs.AI cs.LG cs.NE
An Artificial Neural Network Functionalized by Evolution
CEDRIC(CEDRIC实验室);CNAM(法国国立工艺学院);INSEP(法国国家体育学院);RELAIS(RELAIS机构)
人工神经网络的拓扑结构对其性能有重要影响。有效拓扑的刻画是人工智能中一个很有前途的研究领域。然而,这不是一个简单的任务,它主要是通过卷积神经网络进行实验。我们提出了一个混合模型,结合张量演算的前馈神经网络与伪达尔文机制。这允许找到非常适合策略制定、控制问题或模式识别任务的拓扑结构。特别是,该模型可以在早期进化阶段提供自适应拓扑结构,以及“结构收敛”,这可以在机器人,大数据和人工生命中找到应用。
2022-05-16 cs.AI cs.LG cs.NE
HyperNCA: Growing Developmental Networks with Neural Cellular Automata
IT University of Copenhagen(哥本哈根信息技术大学)
与深度强化学习代理相反,生物神经网络是通过自组织发展过程生长的。在这里,我们提出了一种新的超网络方法来增长人工神经网络的神经元自动机(NCA)的基础上。受自组织系统和发育生物学信息理论方法的启发,我们证明了我们的HyperNCA方法可以生长能够解决常见强化学习任务的神经网络。最后,我们将探讨如何使用相同的方法来构建能够转换其权重以解决初始RL任务变化的发育变态网络。
2022-04-25 cs.AI cs.LG cs.NE
Visual Character Recognition using Artificial Neural Networks
光学字符的识别是人工神经网络最早的应用之一,它在人工智能领域部分地模仿了人类的思维。在本文中,一个简化的神经识别方法的光学或视觉字符的描绘和讨论。该文件预计将作为学习者和业余研究人员在模式识别,神经网络和相关学科的资源。
2005-05-07 cs.NE
Splitting Steepest Descent for Growing Neural Architectures
UT Austin(得克萨斯大学奥斯汀分校)
我们开发了一种渐进式的神经网络的训练方法,通过将现有的神经元分裂成多个后代来自适应地增长网络结构。通过利用函数最速下降的思想,我们得到一个简单的标准,用于决定最佳的神经元子集分裂和分裂梯度最佳更新的后代。理论上,我们的分裂策略是一个二阶函数最速下降逃逸鞍点在$\infty$ -Wasserstein度量空间,在标准参数梯度下降是一阶最速下降。我们的方法为优化神经网络结构提供了一种新的计算效率高的方法,特别是在资源受限的环境中学习轻量级神经架构。
2019-11-04 cs.LG cs.NE stat.ML
A multi-agent model for growing spiking neural networks
MMMI institute(MMMI研究所)
人工智能将生物系统视为灵感的来源。虽然大脑的许多方面尚未被发现,但神经科学已经发现证据表明,神经元之间的连接作为学习过程的一部分不断增长和重塑。这与人工神经网络的设计不同,人工神经网络通过进化它们之间突触中的权重来实现学习,并且它们的拓扑结构随着时间的推移保持不变。该项目探索了在脉冲神经网络中作为学习机制的神经元之间的连接增长规则。这些规则已经在多智能体系统上实现,用于创建简单的逻辑功能,为构建更复杂的系统和架构奠定基础。在模拟环境中的结果表明,对于一组给定的参数,它是可能达到的拓扑结构,再现测试功能。该项目还为使用遗传算法等技术获得模型参数的最佳值打开了大门,从而创建了能够适应不同功能的神经网络。
2020-09-21 cs.LG cs.MA cs.NE
Combining Spiking Neural Network and Artificial Neural Network for Enhanced Image Classification
University of Tsukuba(筑波大学)
随着深度神经网络的不断创新,更接近生物大脑突触的脉冲神经网络(SNN)因其低功耗而引起关注。然而,对于连续数据值,它们必须采用编码过程将值转换为脉冲序列。因此,它们尚未超过直接处理此类值的人工神经网络(ANN)的性能。为此,我们将人工神经网络和SNN结合起来,构建了多功能的混合神经网络(HNN),以提高相关性能。为了使这种性能合格,MNIST和CIFAR-10图像数据集被用于各种分类任务,其中训练和编码方法发生了变化。此外,我们提出了同时和单独的方法来训练人工层和尖峰层,考虑到每种编码方法。我们发现,以牺牲尖峰层为代价增加人工层的数量可以提高HNN的性能。对于像MNIST这样简单的数据集,通过使用重复编码和单独学习很容易达到与ANN相同的性能。然而,对于更复杂的任务,发现使用高斯编码和同时学习来提高HNN的准确性,同时利用较少数量的人工层。
2021-02-28 cs.CV cs.LG cs.NE
HiveNAS: Neural Architecture Search using Artificial Bee Colony Optimization
Staffordshire University(斯塔福德郡大学)
针对传统神经网络开发依赖经验试错、NAS领域元启发式算法研究不足的问题,提出基于人工蜂群优化的NAS框架HiveNAS,其以远少于现有顶尖群智能NAS框架的耗时实现了更优性能。
2023-06-15 cs.AI cs.LG cs.NE
Massively Deep Artificial Neural Networks for Handwritten Digit Recognition
Aberystwyth University(阿伯里斯特威斯大学)
贪婪限制玻尔兹曼机产生一个相当低的出错率的著名的MNIST数据库的手写数字。实现这一结果所需要的只是由许多神经元组成的大量隐藏层,以及一张图形卡,以大大加快学习速度。
2015-07-17 cs.CV cs.LG cs.NE
An Introductory Review of Spiking Neural Network and Artificial Neural Network: From Biological Intelligence to Artificial Intelligence
Tsinghua University(清华大学);McGill University(麦吉尔大学)
本文综述了脉冲神经网络与人工神经网络,从生物神经元基础、模型、回路连接到学习机制与架构,旨在推动类脑智能和通用人工智能发展。
2022-04-09 cs.AI cs.NE
Fractional Artificial Neural Networks for Growth Models
本文提出分数人工神经网络用于求解分数增长模型初值问题,并通过实例比较了分析解与神经网络近似解。
2025-11-08 cs.NE
An Artificial Neural Network Architecture Based on Context Transformations in Cortical Minicolumns
皮质微柱被认为是皮质组织的模型。它们的功能仍然是一个研究的来源,并没有在人工智能算法的现代网络结构中得到适当的反映。我们假设它的功能,并在本文中描述它。此外,我们展示了这个建议如何允许构建一个新的架构,这不是基于卷积神经网络,测试它的MNIST数据和接收接近卷积神经网络的准确性。我们还表明,所提出的架构具有训练少量的样本的能力。为了实现这些结果,我们使minicolumns记住上下文转换。
2017-12-16 cs.CV cs.LG cs.NE
Artificial Neural Networks and their Applications
人工神经网络是对生物神经元简化模型的功能性模仿,其目标是构造出解决实际问题的计算机。在过去的几年里,人工神经网络的应用急剧增加,在各种各样的应用中的理论和实际应用都很火。简要介绍了人工神经网络的理论,并确定了潜在的领域和未来的发展趋势进行了讨论。
2005-05-10 cs.NE
NEWRON: A New Generalization of the Artificial Neuron to Enhance the Interpretability of Neural Networks
Sapienza University of Rome(罗马大学)
在这项工作中,我们制定NEWRON:一个概括的麦卡洛克-皮茨神经元结构。这个新框架旨在探索人工神经元的其他理想特性。我们表明,NEWRON的一些专业化允许网络是可解释的,在他们的表现力没有变化。通过检查我们基于NEWRON的网络产生的模型,我们可以理解管理任务的规则。大量的实验表明,所生成的模型的质量优于传统的可解释模型,并符合或优于标准的神经网络。
2021-10-05 cs.AI cs.LG cs.NE
Stochastic resonance neurons in artificial neural networks
Aston Institute of Photonic Technologies(阿斯顿光子技术研究所);Aston University(阿斯顿大学)
人工神经网络的许多现代应用随之而来的是大量的层,使得传统的数字实现越来越复杂。光学神经网络在高带宽下提供并行处理,但具有噪声累积的挑战。我们在这里提出了一种新的类型的神经网络使用随机共振作为一个固有的一部分的架构,并证明了显着减少所需的神经元的数量为一个给定的性能精度的可能性。我们还表明,这样的神经网络是更强大的对噪声的影响。
2022-08-23 cs.ET cs.LG cs.NE
Activation Functions in Artificial Neural Networks: A Systematic Overview
Ruhr-University Bochum(波鸿鲁尔大学)
激活函数塑造人工神经元的输出,因此,一般来说是神经网络的组成部分,特别是深度学习。一些激活函数,如logistic和relu,已经使用了几十年。但随着深度学习成为主流研究课题,新的激活函数如雨后春笋般涌现,导致理论和实践上的混乱。本文提供了流行的激活函数及其属性的分析性但最新的概述,这使得它成为任何研究或应用神经网络的人的及时资源。
2021-01-25 cs.AI cs.LG cs.NE
Evolutionary Artificial Neural Network Based on Chemical Reaction Optimization
进化算法是设计和进化人工神经网络,特别是训练人工神经网络的常用工具。这些方法具有传统的反向传播(BP)方法的优势,因为它们的低计算要求时,在一个大的解决方案空间搜索。在本文中,我们使用化学反应优化(CRO),一个新发展的全局优化方法,以取代BP在训练神经网络。CRO是一种基于群体的元胞动力学,模拟化学反应中的分子跃迁及其相互作用。仿真结果表明,CRO优于许多EA策略通常用于训练神经网络。
2015-02-01 cs.NE
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science(莫迪理工学院);PEC University of Technology(旁遮普工程学院大学)
本文介绍了电子设计和运动规划的机器人决策的基础上,关于它的直线运动和精确转弯的人工神经网络(ANN)。人工神经网络有助于机器人的学习,使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
The Comparison of Methods Artificial Neural Network with Linear Regression Using Specific Variables for Prediction Stock Price in Tehran Stock Exchange
在本文中,研究人员估计了德黑兰(伊朗)证券交易所的激活公司的股票价格。本文采用线性回归和人工神经网络方法进行了预测,并对这两种方法进行了比较。在人工神经网络中,一般采用广义回归神经网络方法(GRNN)进行结构设计.本文首先考虑了10个宏观经济变量和30个财务变量,然后利用独立成分分析(ICA)得到了包括3个宏观经济变量和4个财务变量在内的7个最终变量,并对股票价格进行了估计。因此,我们提出了两种方法的方程,并比较了它们的结果,表明人工神经网络方法比线性回归方法更有效。
2010-03-14 cs.NE
Application of artificial neural networks and genetic algorithms for crude fractional distillation process modeling
本文介绍了用遗传算法训练和结构优化的人工神经网络在PKN ORLEN公司原油蒸馏过程建模中的应用。炼油厂使用历史数据开发了主分馏塔蒸馏塔产品的模型。基于几个选择的工艺变量预测馏分的质量。使用测试数据验证了模型的性能。与遗传算法配合使用的神经网络证明,它们可以准确地预测馏分质量变化,重现标准实验室分析的结果。并对所建立的神经网络模型进行了简单的知识提取。遗传算法可以成功地用于大型神经网络的有效训练和寻找其最优结构。
2016-04-30 cs.NE
CompNet: Neural networks growing via the compact network morphism
通常情况下,神经网络的性能可以通过增加层来提高。在现实世界的实践中,我们总是并行地训练几十个神经网络架构,这是一个浪费的过程。我们探索了$CompNet$,在这种情况下,我们将一个训练良好的神经网络变形为一个更深的网络,其中网络功能可以保留,并且添加的层是紧凑的。本文的工作有两个贡献:a)。修改后的网络可以快速收敛并保持相同的功能,使得我们不需要从头开始再次进行训练; b)。通过稀疏优化去除冗余参数,控制神经网络中增加层的层数。这与以前的网络态射方法不同,以前的方法倾向于添加更多的神经元或通道,超出实际要求,导致模型冗余。该方法使用不同数据集(包括MNIST和CIFAR 10)上的几种神经网络结构来说明。
2018-04-27 cs.NE
Deciding How to Decide: Dynamic Routing in Artificial Neural Networks
California Institute of Technology(加州理工学院)
我们提出并系统地评估了三种策略,用于训练动态路由人工神经网络:学习变换的图形,通过它不同的输入信号可能会采取不同的路径。虽然有些方法比其他方法更有优势,但所产生的网络通常在质量上是相似的。我们发现,在经过训练以分类图像的动态路由网络中,层和分支变得专门用于处理不同类别的图像。此外,给定固定的计算预算,动态路由网络往往比可比的静态路由网络表现更好。
2017-09-12 cs.CV cs.LG cs.NE
ALF -- A Fitness-Based Artificial Life Form for Evolving Large-Scale Neural Networks
机器学习(ML)在日常生活中变得越来越重要。在这种情况下,人工神经网络(ANN)是ML方法中实现人工智能的流行方法。通常,人工神经网络的拓扑结构是预先确定的。然而,存在难以找到合适拓扑的问题。因此,拓扑和权重演化人工神经网络(TWEANN)算法已经被开发,其可以使用遗传算法来找到ANN拓扑和权重。大规模问题的一个众所周知的缺点是TWEANN算法通常会进化出低效的ANN,并且需要很长的运行时间。为了解决这个问题,我们提出了一种新的TWEANN算法,称为人工生命形式(ALF),具有以下技术进步:(1)通过结构和语义相似性形成更好的候选解决方案,(2)动态适应观察到的候选解决方案,以获得更好的收敛性能,以及(3)将解决方案质量集成到遗传繁殖中,以增加优化成功的概率。大规模ML问题的实验证实,这些方法可以快速解决这些问题,并导致有效的进化ANN。
2021-04-16 cs.NE
An Analysis of an Integrated Mathematical Modeling -- Artificial Neural Network Approach for the Problems with a Limited Learning Dataset
科学中最常见和最普遍的问题之一是研究函数。可以通过人工神经网络(ANN)或数学模型进行预测。这两种方法各有优缺点。数学模型被认为是更可靠的,因为它们的预测是基于以数学方程形式表达的物理定律。然而,大多数现有的数学模型包括不同的经验参数,这两种方法继承了不可避免的实验误差。同时,如果输入足够的数据,神经网络的近似可以非常好地再现解。不同之处在于,人工神经网络需要大数据来建立准确的近似值,而典型的数学模型只需要几个数据点来估计经验常数。因此,数学模型和人工神经网络的不准确性是开发人员经常遇到的问题。另一个常见的挑战是数学模型的计算复杂性,或者缺乏足够精确的人工神经网络的数据。在提出的文件中,这些问题是解决使用集成的数学模型与人工神经网络。在所提出的分析中,人工神经网络仅预测数学模型的一部分,并根据数学模型的输出调整其权重和偏差。集成的数学建模-人工神经网络(IMANN)的性能进行了比较,一个密集的神经网络(DNN)的基准功能的使用。计算结果表明,这种方法可以导致精度的增加,以及限制所需的数据集的学习。
2019-11-20 cs.NE
Turing Computation with Recurrent Artificial Neural Networks
我们改进了Siegelmann & Sontag(1995)的结果,基于非线性动态自动机的最新发展,在图灵机和递归人工神经网络之间提供了一种新颖而简洁的构造性映射。由此产生的R-ANN的架构简单而优雅,源于其与底层NDA的透明关系。这些特性为机器学习方法和连续时间动力系统的符号计算的发展带来了希望。在没有网络训练的情况下,提供了一个框架来直接从图灵机描述对R-ANN进行编程。与此同时,该网络可以被训练来执行算法任务,在集成类似于谷歌DeepMind的神经图灵机的方法方面具有令人兴奋的可能性。
2015-11-04 cs.NE
Large Scale Artificial Neural Network Training Using Multi-GPUs
本文描述了一种通过将向前和向后传递减少到矩阵乘法来使用多GPU加速大规模人工神经网络(ANN)训练的方法。我们提出了一种核外多GPU矩阵乘法,并将算法与人工神经网络训练相结合。实验结果表明,我们的矩阵乘法算法在多个非同构GPU上实现了线性加速比。该项目的完整论文可以在[1]中找到。
2015-11-13 cs.DC cs.NE
Estimation for Compositional Data using Measurements from Nonlinear Systems using Artificial Neural Networks
Schlumberger(斯伦贝谢)
我们的目标是通过一个未知的系统,估计逆的原始系统的训练集后,从其输出响应估计未知的成分输入。所提出的方法,使用人工神经网络(ANN)可以竞争的线性系统,凸优化理论适用的最佳界限,并展示了有前途的结果,为非线性系统反演。我们通过设计许多不同类型的非线性系统进行了广泛的实验。
2020-01-24 cs.LG cs.NE math.OC
Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural Networks
The Chinese University of Hong Kong(香港中文大学);Southeast University(东南大学);Cornell University(康奈尔大学)
纵观历史,人工智能特别是人工神经网络的发展一直是开放的,并不断受到对大脑日益加深的理解的启发,比如神经认知机的启发,它是卷积神经网络的开创性工作。根据新兴领域NeuroAI的动机,大量的神经科学知识可以通过赋予网络更强大的功能来帮助催化下一代AI。正如我们所知,人类大脑有许多形态和功能不同的神经元,而人工神经网络几乎完全建立在一个单一的神经元类型。在人类大脑中,神经元的多样性是各种生物智能行为的一个使能因素。由于人工网络是人类大脑的缩影,因此引入神经元多样性对于解决人工网络的基本问题(如效率、可解释性和记忆)应该是有价值的。在本书中,我们首先讨论了生物神经元多样性的分类以及生物神经元中信息传递和处理的特征。然后,我们回顾了人工网络设计新的神经元的研究。接下来,我们将讨论神经元多样性可以为人工网络带来什么好处,以及在几个重要领域的示例性应用。最后,我们讨论了神经元多样性的挑战和未来方向,以探索NeuroAI的潜力。
2023-03-11 cs.AI cs.ET cs.LG
Simulation of neural function in an artificial Hebbian network
人工神经网络已经偏离了它们在神经学中的早期灵感。尽管它们在技术和商业上取得了成功,但它们有几个缺点,最明显的是需要大量的训练样本和迭代学习所需的计算资源。在这里,我们描述了一种神经网络模拟的方法,包括架构和算法,它更紧密地遵循既定的生物学原理,并克服了传统网络的一些缺点。
2019-12-02 cs.NE q-bio.NC
Using Artificial Neural Network Techniques for Prediction of Electric Energy Consumption
COMSATS Institute of Information Technology(COMSATS信息技术学院);National Mathematical Centre(国家数学中心)
由于预测现实世界问题的不精确性和不确定性,人工神经网络(ANN)技术在建模和优化方面变得越来越有用。提出了一种基于人工神经网络的电力消费量预测方法。为了有效地规划和运行电力系统,需要最佳的预测工具,能源运营商的利润最大化,也提供最大的满意度,能源消费者。收集了1994年至2013年加沙地带消耗电能的月度数据。数据进行了训练,并使用2倍和K倍交叉验证技术验证了所提出的模型。该模型已与实际的能源消耗数据进行了测试,并产生令人满意的性能。
2014-12-06 cs.AI cs.NE
Towards Self-Assembling Artificial Neural Networks through Neural Developmental Programs
IT University of Copenhagen(哥本哈根信息技术大学)
本文提出由仅依赖局部通信的Neural Developmental Program(NDP)引导神经网络自组织生长,并在进化训练、在线/离线RL及监督学习等基准上初步验证其潜力。
2023-07-17 cs.AI cs.NE
Artificial neural network approach for condition-based maintenance
在本研究中,计算机化的维修管理将进行调查。维护成本的上升迫使研究界寻找更有效的方法来安排维护操作。使用计算机模型来提出最佳的维护策略,导致更好的设备利用率和更低的成本。本研究采用基于状态的维修模式,根据设备状态产生维修决策。提出采用人工神经网络技术对设备状态信号进行采集和分析,提高了知识的收集水平。这些知识用于准确估计设备故障时间。基于这些估计,可以实现最优的维护管理策略。
2015-11-03 cs.CY cs.NE
Application of Artificial Neural Networks in Estimating Participation in Elections
证明了人工神经网络在预测和分析传统方法和静力学无法解决的流动问题上是相当有效的。本文利用输入输出层均具有tan-sigmoid传递函数的两层前馈网络,预测了伊朗伊斯兰共和国未来总统选举中Kohgiloye省和Boyerahmad省的公众参与率,预测准确率达到91%。混淆矩阵和ROC图等参与度评价标准已被我们的主张所认可。
2013-09-09 cs.CY cs.NE
Comparative study of Financial Time Series Prediction by Artificial Neural Network with Gradient Descent Learning
金融预测是信号处理问题的一个例子,由于小样本、高噪声、非平稳性和非线性,而股票市场价格的快速预测对于企业的战略规划是非常重要的,本研究的目的是建立一个比较预测模型,前馈多层人工神经网络,用于金融时间序列预测的递归时间延迟神经网络。这项研究是在GoogleFinance提供的历史股票价格数据集的帮助下开发的。为了开发这种预测模型,采用了具有梯度下降学习的反向传播方法。最后,神经网络,学习与所述算法被发现是熟练的预测非平稳噪声金融时间序列。
2012-01-31 cs.AI cs.NE
Artificial Neural Network Based Optical Character Recognition
光学字符识别是对图像中的字符进行识别和分类。为了使识别准确,计算某些拓扑和几何特性,基于这些特性对字符进行分类和识别。此外,人类的心理感知字符的整体形状和特征,如笔画,曲线,突起,外壳等,这些属性,也被称为特征是通过空间像素为基础的计算从图像中提取。这些特征的集合称为向量,通过使用这些特征向量的人工神经网络来帮助唯一地定义字符。
2012-11-19 cs.CV cs.NE
Born to Learn: the Inspiration, Progress, and Future of Evolved Plastic Artificial Neural Networks
Loughborough University(拉夫堡大学);University of Central Florida(中佛罗里达大学);IT University of Copenhagen(哥本哈根信息技术大学)
生物可塑性神经网络是一种通过进化、发展和终身学习而形成的具有非凡计算能力的系统。这些因素的相互作用导致了适应性行为和智能的出现。受这种复杂自然现象的启发,进化的塑性人工神经网络(EPANN)使用模拟进化来培育具有各种动力学,架构和可塑性规则的塑性神经网络:这些人工系统由输入,输出和塑性组件组成,这些组件会根据环境中的经验而变化。这些系统可以自主地发现新的自适应算法,并导致生物适应出现的假设。EPANN在过去二十年中取得了相当大的进展。目前人工神经网络的科学和技术进步正在为全新的方法和结果创造条件。特别是,手工设计网络的局限性可以通过更灵活和创新的解决方案来克服。本文汇集了各种鼓舞人心的想法,定义EPANN领域。主要方法和结果进行了综述。最后,提出了新的机遇和发展。
2018-08-08 cs.AI cs.NE
Artificial Neural Networks for Detection of Malaria in RBCs
The Maharaja Sayajirao University of Baroda(巴罗达大君萨亚吉拉奥大学)
疟疾是由蚊子引起的最常见的疾病之一,是世界范围内的重大公共卫生问题。目前,诊断疟疾的标准技术是对染色的血膜进行显微镜检查。我们建议使用人工神经网络(ANN)的红细胞疾病的诊断。为此目的,根据通过血细胞的数字全息图像获得的数据计算特征/参数,并将其作为输入提供给ANN,ANN将细胞分类为感染细胞或其他细胞。
2016-08-23 cs.CV cs.NE physics.med-ph
The algorithm of formation of a training set for an artificial neural network for image segmentation
Dostoevsky Omsk State University(陀思妥耶夫斯基鄂木斯克国立大学)
本文提出了一种用于图像分割的人工神经网络训练集的形成算法。该算法的特点是只使用一幅图像进行分割。使用三层感知器进行分割。分割的主要方法是区域生长法。神经网络用于决定是否将像素包含到一个区域中。脉冲噪声用于生成训练集。被噪声损坏的像素与同一区域无关。所提出的方法已在自动和交互方式的计算机实验的帮助下进行了测试。
2018-12-22 cs.CV cs.GR cs.NE
Multi-Output Artificial Neural Network for Storm Surge Prediction in North Carolina
在飓风季节,应急管理人员和其他决策者需要关于潜在风暴潮影响的准确和“及时”信息。完全动态的计算机模型,如ADCIRC潮汐、风暴潮和风浪模型,在配置为高空间分辨率时,需要几个小时才能完成预测。此外,高分辨率模型的静态有意义的集合(不确定性估计所需的)不容易近实时地计算。本文讨论了一个人工神经网络模型用于北卡罗来纳州的风暴潮预报。该网络模型提供了快速,实时的风暴潮估计在北卡罗来纳州沿海地区。本文研究的性能的神经网络模型与其他模型的合成和真实的飓风数据。
2016-09-23 cs.NE physics.ao-ph stat.AP
Homogeneous Artificial Neural Network
Univ. Lille(里尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心)
本文提出齐次人工神经网络作为广义齐次函数的全局逼近器,证明齐次通用逼近定理,并给出将现有ANN升级为齐次ANN的方法。
2023-11-29 cs.AI cs.LG cs.NA
Development and Evolution of Neural Networks in an Artificial Chemistry
我们提出了一个模型的分散增长的人工神经网络(ANN)的发展和生理的真实神经系统的启发。在这个模型中,每个人工神经元都是一个自治单元,其行为仅由它所包含的遗传信息和由简单的人工化学建模的底物的局部浓度决定。基因表达表现为轴突和树突生长、细胞分裂和分化、底物产生和细胞刺激。我们证明了该模型的权力与手写的基因组,导致一个简单的网络,执行经典条件反射的增长。为了进化更复杂的结构,我们实现了一个平台无关的,异步的,分布式遗传算法(GA),允许用户通过万维网参与进化实验。
1998-07-17 adap-org cs.NE nlin.AO