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
Pattern recognition using spiking antiferromagnetic neurons
本研究利用反铁磁（AFM）神经元和SPAN算法构建人工神经网络，在不到一微秒的时间内实现了高精度、低功耗（皮焦耳级）的符号模式识别。
2024-07-30 cs.NE physics.comp-ph
Recognition of Handwritten Digit using Convolutional Neural Network in Python with Tensorflow and Comparison of Performance for Various Hidden Layers
International University of Business Agriculture and Technology（国际商业农业与技术大学）
近年来，随着人工神经网络（ANN）的增加，深度学习通过使其更加人工智能，在机器学习领域带来了戏剧性的转折。深度学习因其广泛的应用而被广泛应用于各种领域，如监视、健康、医学、体育、机器人、无人机等。在深度学习中，卷积神经网络（CNN）是混合人工神经网络（ANN）和最新深度学习策略的惊人进步的中心。它已广泛应用于模式识别、句子分类、语音识别、人脸识别、文本分类、文档分析、场景识别、手写数字识别等领域。本文的目的是观察CNN的准确性的变化，手写数字分类使用不同的隐藏层和epoch的数量，并作出准确性之间的比较。对于CNN的性能评估，我们使用修改的国家标准与技术研究所（MNIST）数据集进行了实验。此外，使用随机梯度下降和反向传播算法来训练网络。
2019-09-12 cs.CV cs.NE
Multiplier-less Artificial Neurons Exploiting Error Resiliency for Energy-Efficient Neural Computing
大规模人工神经网络在分类和识别应用中显示出巨大的潜力。然而，它们的大计算需求扩展了计算平台的能力。这些神经网络的基本组成部分是神经元及其突触。数字硬件神经元的核心由乘法器、累加器和激活函数组成。乘法器消耗了数字神经元中的大部分处理能量，从而消耗了人工神经网络的硬件实现中的大部分处理能量。我们提出了一个近似乘法器，利用计算共享的概念，并利用神经网络应用程序的错误弹性，以实现改善的能源消耗。我们还提出了无乘法器人工神经元（MAN），以更大程度地改善能耗，并调整训练过程以确保准确性的最小下降。我们评估了所提出的设计5识别应用程序。结果表明，35%和60%的能源消耗减少，神经元大小为8位和12位，分别与最大的损失约2.83%的网络精度相比，传统的神经元实现。我们还实现了37%和62%的面积减少为8位和12位的神经元大小，分别在等速条件下。
2016-02-27 cs.NE
Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree
本文提出了一种新的鱼类分类方法的基础上结合鲁棒特征选择，图像分割和几何参数技术，使用人工神经网络和决策树。与现有的鱼类分类工作不同，现有的鱼类分类工作提出了描述符，没有分析它们在整个分类任务中的单独影响，也没有将特征选择、图像分割和几何参数结合起来，我们提出了一套通用的特征提取方法，使用鲁棒的特征选择，图像分割和几何参数及其相应的权重，应该被分类器用作先验信息。在这个意义上，我们不再研究改进分类器结构本身的技术，而是将其视为一个黑盒子，并将我们的研究重点放在确定哪些输入信息必须带来鲁棒的鱼类区分上。本文的主要贡献是基于数字图像的鱼类增强识别和分类，并开发和实现了一种新的基于全局特征提取的鱼类识别原型。图像分割和几何参数，它具有的能力，以给定的鱼类到它的类，并将聚类的鱼类分为有毒或无毒的鱼类，并将非有毒的鱼类到其家庭。
2009-12-05 cs.CV cs.NE
Handwritten digit Recognition using Support Vector Machine
手写体数字识别在邮政自动化服务中起着至关重要的作用，特别是在印度这样的使用多种语言和文字的国家，离散隐马尔可夫模型（HMM）和神经网络（NN）与HMM的混合是手写体字识别系统中流行的方法。由于神经网络具有更好的识别能力，混合系统给出了更好的识别结果。手写识别中的一个主要问题是模式的巨大可变性和失真。基于局部观测的弹性模型和诸如HMM的动态规划不能有效地吸收这种可变性。但他们的视野是地方性的。但它们不能面对长度的变化，而且对失真非常敏感。然后利用支持向量机估计全局相关性并进行模式分类。支持向量机是神经网络的一种替代方法。在手写体识别中，SVM给出了较好的识别结果。本文的目的是研究一种利用人工神经网络提高手写体识别效率的方法
2012-03-17 cs.NE
Real time error detection in metal arc welding process using Artificial Neural Netwroks
生产线的质量保证需要可靠的焊接接头。人为的错误是导致产品质量不佳的主要原因。在焊接过程中准确地识别焊缝中的错误将减少花费在焊接过程中的后期检查成本。在焊接过程中产生的电参数，可以有效地表征过程。使用高速数据采集系统采集参数值。对所收集的数据执行时间序列分析任务，例如滤波、模式识别等。滤波去除不需要的噪声信号分量和模式识别任务分离的时间序列中的错误模式的基础上的相似性，这是由自组织映射聚类算法。因此，通过检测和计数出现在他的参数时间序列中的错误模式的数量来比较焊工质量。此外，自组织映射算法提供的数据库中的模式分为两类，要么是可取的或不可取的。由此产生的数据库用于训练分类算法，从而使实时的错误检测任务自动化。多层感知器和径向基函数是所使用的两种分类算法，并且基于诸如特异性、灵敏度、准确度和训练所需时间等指标来比较它们的性能。
2016-03-10 cs.NE
SNN-PAR: Energy Efficient Pedestrian Attribute Recognition via Spiking Neural Networks
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）；Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）
针对行人属性识别能耗高的问题，提出基于脉冲神经网络的SNN-PAR框架，通过脉冲分词器、Transformer主干及知识蒸馏实现节能且准确的识别。
2024-10-10 cs.AI cs.CV cs.NE
A Comparative study of Artificial Neural Networks Using Reinforcement learning and Multidimensional Bayesian Classification Using Parzen Density Estimation for Identification of GC-EIMS Spectra of Partially Methylated Alditol Acetates
本研究报告的模式识别搜索引擎的开发，基于万维网的数据库的气相色谱-电子轰击质谱（GC-EIMS）的部分甲基化糖醇乙酸酯（PMAAs）。在这里，我们还报告了本研究所采用的两种模式识别技术的比较结果。第一种技术是使用贝叶斯分类器和Parzen密度估计器的统计技术。第二种技术涉及用强化学习训练的人工神经网络模块。我们在这里证明，这两个系统在识别光谱与少量的噪声表现良好。这两种系统的性能都随着信噪比（SNR）的降低而降低。当处理部分光谱（缺失数据）时，人工神经网络系统表现得更好。所开发的系统是在万维网上实现的，并打算使用提交的光谱记录在任何GC-EIMS仪器上的这些分子来识别PMAAs。因此，该系统对GC-EIMS光谱中的仪器和色谱柱相关变化不敏感。
2020-07-31 cs.LG cs.NE eess.SP
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
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
Review of Face Detection Systems Based Artificial Neural Networks Algorithms
Al-Zaytoonah University of Jordan（约旦扎耶图纳大学）
人脸检测是图像处理和生物识别系统最相关的应用之一。人工神经网络（ANN）已被用于图像处理和模式识别领域。目前缺乏文献调查，概述了使用人工神经网络在人脸检测的研究和研究。因此，本研究包括了基于不同人工神经网络方法和算法的人脸检测研究和系统的一般审查。这些文献研究和系统的优势和局限性也包括在内。
2014-03-20 cs.CV cs.NE
NeuroNER: an easy-to-use program for named-entity recognition based on neural networks
MIT（麻省理工学院）
命名实体识别（NER）的目的是识别文本中感兴趣的实体。人工神经网络（ANN）最近已被证明优于现有的NER系统。然而，人工神经网络仍然具有挑战性的非专家用户使用。在本文中，我们提出了NeuroNER，一个易于使用的命名实体识别工具，基于人工神经网络。用户可以使用基于图形网络的用户界面（BRAT）注释实体：然后使用注释训练ANN，ANN进而预测新文本中实体的位置和类别。NeuroNER使这种注释-训练-预测流程变得顺畅，任何人都可以访问。
2017-05-16 cs.CL cs.NE stat.ML
Deep Spiking Neural Networks for Large Vocabulary Automatic Speech Recognition
National University of Singapore（新加坡国立大学）；City University of Hong Kong（香港城市大学）
人工神经网络（ANN）已成为大词汇量自动语音识别（ASR）声学建模的主流技术。传统的人工神经网络具有多层架构，需要大量的计算。脑启发的脉冲神经网络（SNN）紧密模仿生物神经网络，可以在低功耗的神经形态硬件上进行基于脉冲的计算。由于SNN具有前所未有的能量效率和快速的信息处理能力，我们探索了SNN在语音识别中的应用。在这项工作中，我们使用SNN的声学建模，并评估其性能的几个大词汇识别的情况下。实验结果表明，竞争力的ASR精度，他们的人工神经网络同行，同时需要显着降低计算成本和推理时间。因此，将深度SNN的算法能力与节能的神经形态硬件相集成，为在移动和嵌入式设备上本地运行的ASR应用提供了一个有吸引力的解决方案。
2019-11-19 cs.CL cs.NE
A Tutorial on Deep Neural Networks for Intelligent Systems
Tecnológico de Monterrey（蒙特雷理工学院）；Engineering Faculty, UASLP（圣路易斯波托西自治大学工程学院）
开发智能系统涉及人工智能方法，包括人工神经网络。在这里，我们介绍了深度神经网络（DNN）的教程，以及关于术语“深度”起源的一些见解;还提供了深度学习的参考资料。详细讨论了DNN的核心--受限玻尔兹曼机。一个简单的两层网络的例子，执行无监督学习的未标记的数据，显示。还描述了用于构建具有两层以上的网络的深度置信网络（DBN）。此外，还介绍和解释了使用DNN执行简单预测和分类任务的监督学习示例。本教程包括两个智能模式识别应用程序：手写数字（基准称为MNIST）和语音识别。
2016-03-23 cs.LG cs.NE
A neuromorphic approach to image processing and machine vision
Birla Institute of Technology & Science (BITS) Pilani（比拉理工学院（BITS）皮拉尼分校）
神经形态工程本质上是人工系统的发展，例如采用生物神经系统中发现的信息表示的电子模拟电路。尽管计算机比人脑更快、更准确，但在识别能力方面却落后于人脑。然而，可以预见，与计算机视觉和图像处理领域有关的神经形态学的进步将在计算机解释和分析信息的方式上提供相当大的改进。在本文中，我们探讨了视觉任务，如图像分割，视觉注意和对象识别的实现。此外，各向异性扩散的概念已被检查，其次是一种新的方法，采用忆阻器执行图像分割。此外，我们还讨论了神经形态视觉传感器在人工视觉系统中的作用，以及为了实现信号的异步传输而涉及的协议。此外，还讨论了两种被广泛接受的用于模拟物体识别和视觉注意过程的算法。在本文的整个跨度，我们一直强调就业的非易失性存储器件，如忆阻器，实现人工视觉系统。最后，我们讨论了硬件加速器，并希望代表一个恰当的例子，认为计算机视觉的进步可能直接受益于非易失性存储器技术的进步。
2022-08-07 cs.AI cs.CV cs.NE
Using stigmergy to incorporate the time into artificial neural networks
University of Pisa（比萨大学）
神经计算的当前研究趋势涉及新颖的人工神经网络的设计，其将时间概念并入到其操作模型中。在本文中，提出了一种新的架构，采用stigmergy。计算stigmergy被用来动态地增加（或减少）连接的强度，或激活水平，当刺激（或释放）人工神经元。这项研究奠定了一个基本的框架，推导出一个stigmergic神经网络与相关的训练算法。为了显示其潜力，已经报道了一些试点实验。异或问题通过仅使用具有一个输入和一个输出的单个stigmergic神经元来解决。一个静态神经网络，stigmergic神经网络，递归神经网络和长短期记忆神经网络已被训练，以解决MNIST数字识别基准。
2018-10-26 cs.LG cs.NE stat.ML
An Introduction to Convolutional Neural Networks
Aberystwyth University（阿伯里斯特威斯大学）；Lancaster University（兰卡斯特大学）
随着人工神经网络（ANN）的兴起，机器学习领域近年来发生了巨大的变化。这些受生物启发的计算模型能够在常见的机器学习任务中远远超过以前形式的人工智能的性能。卷积神经网络（CNN）是ANN架构中最令人印象深刻的形式之一。CNN主要用于解决困难的图像驱动的模式识别任务，其精确而简单的架构提供了一种简化的ANN入门方法。本文简要介绍了CNN，讨论了最近发表的论文和开发这些出色的图像识别模型的新技术。本介绍假设您熟悉人工神经网络和机器学习的基础知识。
2015-12-02 cs.CV cs.LG cs.NE
Surrogate Gradient Spiking Neural Networks as Encoders for Large Vocabulary Continuous Speech Recognition
Idiap Research Institute（伊迪亚普研究所）
与产生密集和实值响应的传统人工神经元相比，生物启发的尖峰神经元传输稀疏和二进制信息，这也可以实现节能。最近的研究表明，脉冲神经网络可以像标准的递归神经网络一样使用代理梯度方法进行训练。它们在语音命令识别任务中显示出了有希望的结果。使用相同的技术，我们表明，他们是可扩展的大词汇量连续语音识别，在那里他们能够取代LSTM的编码器只有轻微的性能损失。这表明它们可能适用于更多涉及的序列到序列任务。此外，与其经常性的非尖峰对应物相比，它们对梯度爆炸问题具有鲁棒性，而无需使用门。
2023-02-16 cs.CL cs.LG cs.NE
Transfer Learning for Named-Entity Recognition with Neural Networks
MIT（麻省理工学院）
最近的方法基于人工神经网络（ANN）的命名实体识别（NER）显示出有前途的结果。为了实现高性能，ANN需要在大型标记数据集上进行训练。然而，对于用户想要执行NER的数据集，可能难以获得标签：标签稀缺性对于患者笔记去识别（这是NER的一个实例）尤其明显。在这项工作中，我们分析了迁移学习在多大程度上可以解决这个问题。特别是，我们证明了将在大型标记数据集上训练的ANN模型转移到具有有限数量标签的另一个数据集上，可以改善两个不同数据集上的最新结果，用于患者笔记去识别。
2017-05-17 cs.AI cs.CL cs.NE
