神经网络计算机原理及实现方法

神经网络计算机能模拟人脑的并行处理方式，具有惊人的自学习、思维、推理、判断和记忆的功能。该文主要阐述了人类对大脑的研究以及由此演发的人工神经网络的理论基础，并从目前实现神经网络的三种主要途径对神经网络计算机的实现做了分析与展望。

环行阵列神经网络计算机系统

文中首先考察了神经网络计算和并行计算机的特点，提出了环行阵列体系结构，对环行阵列体系结构和Ｓｙｓｔｏｌｉｃ结构进行了比较．提出了基于环行阵列体系结构的神经网络计算的并行算法。

神经网络计算机的一种分形实现

神经网络计算机的实现是神经网络研究领域中的一个重要课题．目前，神经网络的研究已形成了较为系统的理论模型与算法，但神经网络计算机的研究却至今没有重大突破，主要困难就在于网络规模过大，突触联系密度太高等等，为解决这个问题，文中基于分形理论，提出了一种神经网络计算机的分形实现方案，给出了分形维数的计算公式，并从物理上实现了与整体结构具有自相似性的分形子结构，在神经网络计算机的实现上作了有益的探索．

广义逆矩阵及其在神经网络计算中应用

利用简单易懂的矩阵及向量内积等工具 ,给出广义逆矩阵的定义及性质 ,并以神经网络计算为例 ,讨论了它的实际应用 .

基于网格的神经网络计算平台的架构研究

首先简单介绍了神经网络计算平台的现状,随后描述了计算平台架构的设计实现思想及计算平台前后台架构,提出了一个神经网络模拟算法,并且就此算法在平台上进行事例编程。最后对神经网络计算平台的未来发展展开展望。

柔性人工突触:面向智能人机交互界面和高效率神经网络计算的基础器件

人工智能技术的发展为人机交互、感知系统、机器人及假肢的控制等带来了革命性变化,同时对复杂数据的处理和人机交互界面提出了新的要求。不同于目前基于软件系统和冯·诺依曼构架实现的神经网络,人脑运算方式具有高效率和低功耗的特点。因此,在硬件层面上模拟人脑的神经拟态器件,对构建新的运算系统具有重要意义。此外,神经拟态器件能够将传感器数字信号转变成类神经模拟信号,有望实现与生物神经信号的兼容,构建智能、高效的人机交互界面。因此,神经形态器件受到了广泛研究,其相关材料、制备工艺和器件结构不断得到优化,例如基于晶体管和忆阻器的柔性仿生人工突触器件均实现了视觉信息处理、运动识别、类脑神经记忆等功能。目前,虽然随着研究的不断深入,仿生人工突触器件的工作原理得到了一定解释,但深入的机理仍有待挖掘:(1)针对生物个体间的差异,以及同一个体不同感知系统的差异,需要对人工突触器件突触后信号进行调控,以获得与生物神经信号更好的兼容性;(2)生物突触的树突结构,能够搜集、整合和调制时间和空间的信号,模拟树突的信号整合机制,将有助于改善多栅极人工突触晶体管的设计方案,实现对人工突触器件信号整合功能的调控;(3)目前多数研究是基于硬质衬底上的器件设计,对于在柔性衬底上的形变-异质界面-器件电子学性能的规律还有待研究,需要对应力应变下柔性人工突触器件的稳定性与失效机制进行探究。本文归纳了柔性仿生人工突触器件的最新研究进展,分别从器件结构、材料选择、工作机理等角度进行介绍,分析了人工突触器件面临的问题和潜在应用领域。本综述期望为柔性人工突触的设计、制备和应用提供一定参考。

基于神经网络计算的数据挖掘方法研究

数据挖掘(DataMining)能够从大量模糊和随机的数据中提取潜在有用的信息和知识,对于知识发现、商业数据分析、数据融合以及决策支持具有重要意义。文章给出了数据挖掘方法的研究现状,讨论了基于神经网络计算的数据挖掘方法,指出了其存在的问题和发展趋势。

人工神经网络计算灌芯砌体抗压强度

我国对灌芯砌体抗压强度的计算采用给出公式的方式。由于影响灌芯砌体抗压性能的因素很多，破坏现象复杂，甚至存在诸多因素的交互作用，往往表现为非线规律，再加上试验资料不够，使得计算公式的计算值与试测值存在一定的偏差。

神经网络计算机和现代教育科学

在教育科学发展中，计算机科学成为越来越重要的影响因素。其表现为：一方面计算机给教育科学研究提供了现代化的计算手段，使得教育统计学、教育管理学摆脱了手工作坊式的工作方式，从信息的收集、整理、加工、分析到辅助决策都有可能实现自动化，从而大大地增强了我们处理复杂的、变动的大系统的能力。另一方面。

受大脑处理信息方式启发在水中进行神经网络计算的离子电路问世

美国哈佛大学工程与应用科学学院(SEAS)团队与生物技术初创公司DNA Script合作,开发出一种由数百个离子晶体管组成的离子电路,并执行了神经网络计算的核心过程。该研究发表在最近的《先进材料》上。智能手机、计算机和数据中心中的微处理器通过固体半导体操纵电子来处理信息,但人类大脑有一个不同的系统,其依靠操纵液体中的离子来处理信息。

神经网络计算机

所谓神经计算机(Neuro Computer,简称为NC)也称为神经网络计算机,意思就是按照神经网络的功能结构原理而构造成的计算机。其结构原理就是神经网络模型和一定的连接机制。对于人脑神经所进行的模式识别方式的理解是设计神经网络计算机的关键所在。 神经元是神经网络计算机的最基本单位。常用的神经元模型有阀值型、区间线性型、S状的曲线型、常微分或差分方程式模型(?)及概率动作模型等。 神经网络模型包括神经生物模型和计算机模型,前者以模拟人脑的某些功能为主,后者主要执行某些重要的技术功能。

用于无线传输和神经网络计算的碳化硅纳米线多功能高效视觉突触器件

随着大数据和物联网的快速发展,基于传统冯·诺依曼架构的计算机存在吞吐量有限和能源利用效率低下的问题.基于忆阻器的人工神经网络计算系统被认为是克服这一瓶颈的候选之一.本研究成功研制了基于碳化硅纳米线薄膜的光电忆阻器,不仅可以很好地实现生物视觉突触的基本功能,还可以实现更为复杂的树突神经元和巴甫洛夫学习等类脑学习特性.在视觉功能的基础上,实现了集成在SiC忆阻器中的感知、存储和计算的功能.更重要的是,得益于SiC纳米线视觉突触优异的计算能力构建的脉冲神经网络能够实现早期肺癌病灶的识别.该方法迭代次数少,检测准确率可达90%以上,在医疗领域具有良好的应用前景.本研究为神经形态计算技术中基于SiC的感知-存储-计算一体化人工智能设备的开发和推广提供了一条有前景的途径.

基于麻雀搜索算法优化的BP神经网络模型对2型糖尿病肾病的预测研究

背景糖尿病肾病(DN)是糖尿病常见的微血管并发症之一,发病率高,危害性大。早期发现DN对预防相关疾病非常重要。目前大多研究基于传统的统计预测方法,数据需满足其所要求的前提假设条件。近年来已无法很好满足其在DN预测领域的需求,有必要尝试开展机器学习等新方法在DN预测领域的应用。目的利用LASSO回归和麻雀搜索算法(SSA)优化的BP神经网络(SSA-BP神经网络)构建DN预测模型。方法本研究时间为2023年4—8月,数据来源于公开的伊朗133例糖尿病患者的并发症数据。采用SPSS 26.0软件进行单因素分析,采用LASSO回归筛选变量。以是否患DN为因变量,分别用8∶2和7∶3的比例划分训练集和测试集,使用SSA-BP神经网络进行建模与分析,并与经典的机器学习模型对比预测性能以分析较优的DN模型。基于准确率、精确率、灵敏度、特异度、F1-score和受试者工作特征曲线下面积(AUC)指标进行模型评价。结果剔除9例1型糖尿病患者,本研究纳入的有效样本量为124例2型糖尿病(T2DM)患者,其中73例(58.9%)被诊断为DN患者。单因素分析显示年龄、BMI、糖尿病持续时间、空腹血糖(FBG)、糖化血红蛋白(HbA_(1c))、低密度脂蛋白(LDL)、高密度脂蛋白(HDL)、三酰甘油(TG)、收缩压(SBP)和舒张压(DBP)的T2DM患者DN危险因素(P<0.05)。训练集∶测试集=8∶2时,训练集(n=100)中有59例DN患者,测试集(n=24)含有14例DN患者。LASSO回归筛选出年龄、糖尿病持续时间、HbA_(1c)、LDL和SBP共5个影响因素。Logistic回归(LR)、K近邻(KNN)、支持向量机(SVM)、BP神经网络、SSA-BP神经网络模型在测试集的准确率分别为83.33%、79.17%、79.17%、87.50%、95.83%。F1-score分别为0.8462、0.8000、0.8000、0.8889、0.9600。训练集∶测试集=7∶3时,训练集(n=88)中有52例DN患者,测试集(n=36)含有21例DN患者。LASSO回归筛选出年龄、BMI、糖尿病持续时间、LDL、HDL、SBP和DBP这7个影响因素。LR、KNN、SVM、BP神经网络、SSA-BP神经网络模型在测试集的准确率分别为86.11%、86.11%、86.11%、72.22%、91.67%。F1-score分别为0.8718、0.8718、0.8649、0.7059、0.9091。结论LR、KNN和SVM模型在训练集∶测试集=7∶3时性能较好,BP神经网络和SSA-BP神经网络模型在训练集∶测试集=8∶2时性能较好。相较于BP神经网络模型和传统机器学习模型,SSA-BP神经网络模型的预测性能更佳,可及时准确识别T2DM DN患者,实现DN的早发现和早治疗,从而预防并减缓对其身体带来的危害。

基于V-Net卷积神经网络深度学习模型自动分割腰椎CT图像中的椎旁肌

目的 观察基于V-Net卷积神经网络(CNN)的深度学习(DL)模型自动分割腰椎CT图像中的椎旁肌的价值。方法 收集471例接受腰椎CT检查患者,按7∶3比例将其分为训练集(n=330)和测试集(n=141);采用2D V-Net进行训练,建立DL模型;观察其分割腰大肌、腰方肌、椎后肌群及椎旁肌的价值。结果 基于V-Net CNN的DL模型分割椎旁肌精度良好,戴斯相似系数(DSC)均较高、肌肉横截面积误差率(CSA error)均较低;其分割训练集图像中的腰大肌、腰方肌及椎旁肌的DSC均高于测试集(P均<0.05),而分割训练集中4组肌肉的CSA error均低于测试集(P均<0.05)。测试集内两两比较结果显示,该模型分割椎后肌群的DSC最高、腰方肌的DSC最低;分割腰方肌的CSA error最高、椎旁肌的CSA error最低(P均<0.05)。结论 以基于V-Net的DL模型自动分割椎旁肌的效能较佳。

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者,于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征,采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维,筛选最优特征;分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型,将按7∶3数据分为训练集和验证集,采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果共纳入202个脑转移癌,含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1050个特征,经单因素分析及LASSO算法降维后得到5个最优特征;以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的AUC最高。结论基于颅脑T1CE构建的CNN模型可有效鉴别肺癌与乳腺癌脑转移。

基于卷积神经网络经直肠超声模型预测前列腺癌Gleason分级

目的观察基于卷积神经网络(CNN)的经直肠超声(TRUS)模型预测前列腺癌Gleason分级(GS)的价值。方法前瞻性收集101例拟接受TRUS引导下前列腺穿刺活检的前列腺癌患者;采集568幅前列腺癌超声图像,根据病理结果将其分为低危(GS≤6,n=90)、中危(GS=7,n=185)及高危(GS≥8,n=293)。建立前列腺癌TRUS数据集,基于CNN构建TRUS预测前列腺癌GS模型;以穿刺活检病理结果为金标准,评估模型与超声医师的诊断效能。结果基于CNN的TRUS模型预测前列腺癌GS≤6的精确率高于超声医师(P<0.05),而二者召回率(Recall)和F1-score差异均无统计学意义(P均>0.05);基于CNN的TRUS模型预测GS=7和GS≥8的精确率、Recall及F1-score均高于超声医师(P均<0.05)。基于CNN的TRUS模型预测前列腺癌GS的总体准确率(76.75%)高于超声医师(51.75%,χ^(2)=31.021,P<0.001),其预测前列腺癌GS的曲线下面积(AUC)为0.72、特异度为47.22%、敏感度为96.88%,超声医师分别为0.67、52.78%及80.21%,二者AUC差异无统计学意义(Z=0.859,P=0.390)。结论基于CNN的TRUS模型有助于预测前列腺癌、尤其需要积极治疗的中-高危前列腺癌的GS。

一种基于改进遗传算法的神经网络优化计算方式

本文以BP神经网络为例,介绍了优化遗传计算方式概念,阐述了基于优化遗传计算方式的神经网络优化计算方式研究背景,分析了基于优化遗传计算方式的神经网络优化计算方式设计方法,并对基于优化遗传计算方式的神经网络运行进行了仿真验证。

粒子群优化算法在计算机神经网络中的应用

粒子群优化算法是一种新型的计算技术,具有全局优化的优势,因而被广泛的应用于优化函数和计算机神经网络中。本文将对粒子群优化算法的产生和发展以及其在神经网络中的应用进行论述,同时对粒子群优化算法的未来发展趋势进行展望。