三维卷积神经网络(3D-CNN)解码运动过程的脑电图
研究人员提出了一种神经生理学可解释的三维卷积神经网络(3D-CNN),它捕捉了运动过程中大脑区域的时空依赖性。该3D-CNN使用保留地形的EEG输入,能够预测手部运动的复杂特征,如反应时间、运动模式和方向。在新数据集上的测试中,3D-CNN在这些任务中的准确率分别为79.81%、81.23%和82.00%,优于二维卷积神经网络...
“看穿毛玻璃”上理工团队开发超快速卷积光学神经网络
近期,由上海理工大学智能科技学院顾敏院士和张启明教授领衔的研究团队,开发了一种超快速的卷积光学神经网络(ONN),这一技术在无需依赖光学记忆效应的情况下,实现了对散射介质后的物体进行高效、清晰成像。这不仅是对传统光学成像技术的一次颠覆,更是卷积网络在人工智能中应用潜力的一次深刻展示。该成果于6月14日以...
卷积神经网络(CNN):如何高效的识别图像?
卷积核通过滑动窗口的方式在输入数据上进行卷积操作,卷积核的每个元素与输入数据对应位置的元素相乘,然后将所有乘积结果相加,得到卷积操作的输出结果。不同的卷积核可以捕捉到不同的特征,例如边缘、纹理、形状等。在训练过程中,卷积神经网络会学习到最优的卷积核参数,使得网络能更好的提取输入数据的局部特征。因为...
视野扩大271倍,上海理工大学开发超快卷积光学神经网络
卷积神经网络(CNN)凭借其出色的图像识别能力,在人工智能领域表现出色,尤其是在ChatGPT等平台中。近日,上海理工大学团队成功将CNN概念引入光学领域,实现卷积全光神经网络,为人工智能成像技术带来了革命性的进步。研究团队开发了一种超快卷积光学神经网络(ONN),该网络无需依赖光学记忆效应,即可实现对散射介质后方...
量化专题 · 几种神经网络模型预测效果对比及简析
我们利用期货市场的行情数据,对不同类型的神经网络模型预测效果进行探索,并用一些简单模型预测效果进行对比。主要涉及单步单层线性模型、单步多层线性模型、多步模型、卷积神经网络、循环神经网络等。在实际操作中,我们首先对数据集按照7:2:1的比例划分为测试集、验证集、训练集,然后将数据进行简单归一化、带入模型进行...
PNAS速递:揭示图卷积神经高效的原因
图神经网络(GNN)最近在天气预报、预测颗粒材料中的力或理解生物分子等各种问题上取得了令人印象深刻的成果(www.e993.com)2024年10月23日。它们已经成为具有关系信息的数据集事实上的机器学习模型,例如蛋白质图中的交互或社交网络中的友谊。这些成功案例引发了一波针对更多样、更强大图网络架构的研究浪潮,例如图卷积神经网络(GCN)。但截止目前,研究...
从卷积运算原理、卷积神经网络的结构和工作原理介绍卷积神经网络
一、卷积运算的原理卷积运算是一种数学运算,它将两个函数进行卷积操作,得到一个新的函数。在卷积神经网络中,卷积运算主要是对输入数据和卷积核进行卷积操作,得到特征图。1.1输入数据卷积神经网络的输入数据通常是一个多维数组,比如图像数据可以表示为一个三维数组,分别表示宽度、高度和通道数。例如,一张RGB图像可...
抛弃高精度地图旧模式,走向视觉感知新时代?
卷积神经网络是深度学习的核心技术之一,广泛应用于图像识别和分类任务。CNN通过卷积层、池化层和全连接层的组合,能够有效地提取图像中的特征,实现目标检测、物体识别和语义分割等任务。??目标检测:识别并定位图像中的特定物体,如行人、车辆、交通标志等。常用的目标检测模型包括YOLO(YouOnlyLookOnce)、SSD(Sing...
基于集成光子学的射频原域特征提取
图1:光域构建的卷积神经网络示意图针对这一问题,本文提出采用集成光子学方法来突破带宽与可编程性瓶颈的创新思想。天线接收的射频信号直接加载到光芯片上,在光域构建出多层卷积神经网络(如图1)对输入的射频信号进行时空域卷积处理,以提取信号的有效特征。根据以上架构,文章设计实现光子学时空特征提取芯片(如图2),并针...
人工智能领域最重要的50个专业术语(中英文对照)
25.卷积神经网络ConvolutionalNeuralNetworks(CNN)-CNN是一种深度学习算法,特别适合处理具有网格状拓扑结构的数据,如图像。26.循环神经网络RecurrentNeuralNetworks(RNN)-RNN是一种网络结构,适合处理序列数据,如时间序列或自然语言。27.长短期记忆网络LongShort-TermMemory(LSTM)...