课程文献中心 更多>>

关键词： 人工智能   脉冲神经网络   网络结构   学习算法   监督学习   斗地主   突触可塑性规则   赫布规则  

摘要： 随着人工智能的发展,目前主流的神经网络面临着计算量大、功耗高、智能化程度低等问题。为解决以上问题,根据人脑的特性,提出具有普适性的多层脉冲神经网络结构,利用生物学的因果律提出脉冲神经网络算法。通过控制“引导”神经元的激活时间间接调整目标权值,将算法应用在扑克游戏中,使扑克机器人能够学习一个人的打牌能力,实现拟人化程度为85%,验证了算法的可行性,同时表明脉冲神经网络具有强智能性。

关键词： 类脑计算   脉冲神经网络   神经形态硬件   类脑智能  

摘要： 人脑具有协同多种认知功能的能力与极强的自主学习能力,随着脑与神经科学的快速发展,亟需计算结构模拟人脑的、性能更强大的计算平台进行人脑智能与认知行为机制的进一步探索.受人脑神经机制的启发,本文提出了基于神经认知计算架构的众核类脑计算系统BiCoSS,该系统以并行计算的现场可编程门阵列(Field-programmable gate array,FPGA)为核心处理器,以地址事件表达的神经放电作为信息传递载体,以具有认知计算功能的神经元作为信息处理单元,实现了四百万神经元数量级大规模神经元网络认知行为的实时计算,填补了从细胞动力学层面理解人脑认知功能的鸿沟.实验结果从计算能力、计算效率、功耗、通信效率、可扩展性等方面显示了BiCoSS系统的优越性能.BiCoSS通过人脑信息处理的计算架构以更贴近神经科学本质的模式实现了类脑智能;同时,BiCoSS为神经认知和类脑计算的研究和应用提供了新的有效手段.

关键词： 脉冲耦合神经网络(PCNN)   非下采样剪切波变换(NSST)   计算机断层扫描(CT)   磁共振成像(MRI)   图像融合  

摘要： 目的:提出一种简化自适应脉冲耦合神经网络(PCNN)模型和非下采样剪切波变换(NSST)的CT和MR图像融合算法,用于PCNN模型构建融合规则。方法:采用NSST变换将已配准的CT和MR图像分解成高频和低频子图像,分别采用基于平方差之和与方向梯度特征之和的PCNN模型融合低频子图像;而高频子图像采用绝对值取大与方向梯度特征之和进行融合。采用NSST逆变换重建融合图像,选取哈佛大学脑图库8组临床实例的CT和MR图像进行仿真试验,仿真算法为本研究算法和5种基于NSST变换的融合算法,采用互信息、空间频率、标准差、边缘强度和相似度对融合图像质量进行评估。结果:定性分析与其他5种基于NSST变换的算法相比,基于图像融合算法获得的融合图像对比度、清晰度和边缘强度均最佳;本研究算法所得定量结果中互信息为2.71%~13.63%,空间频率为12.25%~73.69%,标准差为1.86%~26.33%,边缘强度为0.37%~29.90%,相似度为0.37%~67.07%,均比5种基于NSST变换的算法有不同程度提升。结论:基于简化自适应PCNN模型和NSST变换的融合算法性能优越,是一种可行的CT和MR图像融合算法。

关键词： 支持细胞   环状RNA_类网格蛋白重链1(circ_CLTCL1)   无精子症   微小RNA   细胞增殖  

摘要： 目的检测环状RNA_类网格蛋白重链1(circ_CLTCL1)在梗阻性和非梗阻性无精子症患者睾丸组织中的表达,评估敲低circ_CLTCL1表达对支持细胞增殖和凋亡的影响,探索其调控细胞增殖的潜在机制。方法采用一步法实时定量PCR检测梗阻性和非梗阻性无精子症患者睾丸组织及其来源支持细胞circ_CLTCL1和呈线性结构的CLTCL1表达。利用小干扰RNA技术沉默睾丸支持细胞中circ_CLTCL1的表达。采用CCK-8法和5-乙炔基-2′脱氧尿嘧啶核苷(EdU)法检测支持细胞增殖能力、流式细胞术检测细胞周期和细胞凋亡。采用生物信息学软件筛选与circ_CLTCL1具有结合潜能的微小RNA(miRNA)。荧光素酶报告实验检测circ_CLTCL1与miR-202结合能力。结果梗阻性无精子症睾丸组织及其来源支持细胞中circ_CLTCL1表达高于非梗阻性组,而CLTCL1在两组间表达水平无明显差异。敲低circ_CLTCL1的表达后,支持细胞增殖能力降低,凋亡水平升高、S期细胞比例减少。circ_CLTCL1可吸附结合miR-202。结论circ_CLTCL1在非梗阻性无精子症患者睾丸组织及支持细胞中低表达,可通过结合miR-202促进支持细胞增殖而抑制细胞凋亡。

关键词： 强地震动   速度脉冲   卷积神经网络(CNN)   图像识别  

摘要： 含速度大脉冲的强地震动具有复杂的特性,人工提取速度大脉冲特征的方法较繁琐,故利用卷积神经网络(CNN)在图像特征自动提取方面的优势,提出基于卷积神经网络图像识别的速度大脉冲识别方法。基于美国太平洋地震工程研究中心NGA-West1数据库提供的强地震动记录,筛选出6000条非脉冲记录和91条含有速度大脉冲的强地震动记录。采用在原始记录中加入高斯噪声和过采样的方法,使2类记录样本数量达到均衡。利用本文建立的卷积神经网络模型对2类记录速度时程图进行特征自动提取和分类识别,结果显示测试集准确率为99%,表明本文卷积神经网络模型能够自动提取速度大脉冲特征,进而复现已有结果。将本文方法与传统方法进行了对比,结果表明,对含有多个速度脉冲的强地震动记录的识别,本文方法优于传统方法,具有较高的可靠性、鲁棒性、灵活性。

关键词： 激光成像   图像噪声   脉冲噪声降噪   卷积神经网络   噪声滤波器  

摘要： 脉冲噪声是成像过程中的一个主要噪声源,传统的滤波器难以有效消除高密度的脉冲噪声。针对这一问题,提出了一种基于非对称并行神经网络的图像脉冲噪声降噪算法。算法利用隐写分析丰富模型提取图像的噪声卷积特征图;将原图像特征图与噪声卷积特征图分别送入两个相同的卷积神经网络进行处理;结合l_(1)损失与l_(2)损失作为神经网络的总代价函数,同时利用了l_(1)损失的高视觉效果与l_(2)损失的强收敛性。实验结果表明:提出的降噪算法在各密度下的降噪性能均优于基于滤波器的降噪算法,对于高密度脉冲噪声也具有明显优势。