-
开关柜温度主动预警关键技术研究及应用
针对目前开关柜温度监测存在的问题 , 在研究了负荷电流 、环境温度 、温度变化时间等因素对开关柜温升的影响 后 ,运用有限元温度场仿真技术预测了开关柜内部的温度分布情况 。将温度场仿真数据作为机器学习的训练样本 、温升试验数 据作为机器学习的测试样本 ,经神经网络创建 、训练及算法仿真测试 ,得出不同于以往单一温度值的温度—电流—时间多物理量 耦合温升预测模型 。将模型植入到嵌入式温升主动预警装置中 ,经大量试验后提出开关柜温度监测策略 ,现已成功应用于国家 电网智慧变电站首批试点项目 ,对制定开关设备载流性能的智能运维策略有实际应用价值。
-
理解神经网络，第一部分什么是神经网络
人工智能(AI)是为了模仿人类的认知能力而设计的,它的许多应用都是受我们的五感--视觉、听觉、触觉、味觉和嗅觉的启发。在艾省, 想象力 与计算机视觉相对应,使机器能够解释图像和视频。 听到 由自然语言处理(NLP)和语音识别系统复制,使AI能够理解和生成人类的语音。 接触 通过触觉反馈和机器人来模拟,这有助于机器人对物理互动作出反应。尽管不太先进, 品味 和 闻到 通过原子能机构驱动的化学分析和食品及香味应用传感器进行探索。
-
理解神经网络，第二部分神经网络的类型
神经网络的类型
-
理解神经网络，第三部分神经网络和人工智能
神经网络与人工智能transformer主要差异
-
西湖大学：科学家+AI，科研新范式的样本
北京2024年12月11日 /美通社/ -- 今年的诺贝尔奖，将AI推到了科学舞台的中央，标志着AI在科学研究中的重要地位得到了认可，也体现了学科交叉赋能将成为AI时代的科研发展趋势。用AI赋能学科研究，创新科研新范式。这一点在西湖大学的科研项目中已得到体现。 成立于2018年...
-
适用FPGA的小型神经网络：加速边缘智能的新篇章
在人工智能（AI）技术日新月异的今天，神经网络作为其核心驱动力，正逐步渗透到各个行业与领域。然而，传统的神经网络模型往往受限于计算资源和功耗，难以在边缘设备上实现高效运行。现场可编程门阵列（FPGA）作为一种高性能、低功耗的硬件加速器，为小型神经网络的部署提供了理想的平台。本文将深入探讨适用于FPGA的小型神经网络，以及它们在边缘智能应用中的独特优势。
-
神经网络如何促进振动分析
在日益复杂的工业和汽车环境中，状态监测对于确保安全可靠的运行变得越来越重要。通过数据分析可以检测运行异常和潜在的设备缺陷，从而在发生故障之前及时进行维修。它还可以最大限度地减少维护频率并避免不必要的成本。
-
神经网络从感知到深入学习
从受到人类大脑的启发,到发展出能够获得非凡成就的复杂模型, 神经网络 已经走了很长一段路。在接下来的博客中,我们将深入讨论神经网络的技术历程--从基本感知器到先进的深度学习架构,推动人工智能的创新。
-
小规模任务的神经网络应用
在过去10-15年中,人工神经网络领域的发展迅速。典型的应用是图像处理、声音等领域的高维数据.然而,在机器学习中,系统输入的数据量很小的任务很少:例如,异常事件建模、处理人工收集的分析数据、分析低频传感器的信号等。在这种情况下,一个重要阶段是对系统训练有素的特点("特点")进行认真的工作,特别是从现有的基本特点中产生新的特点,这将能够提高设计系统的性能质量。手动方法通常用于这种生成,但是一个好的选择是使用神经网络,它不仅能够学习基本的数学运算,而且能够识别输入数据中极其复杂的模式。
-
Microchip收购Neuronix AI Labs
该实验室的创新技术能够增强人工智能边缘解决方案，提高神经网络能力
-
机器学习基本算法原理
机器学习将是下述内容的主要介绍对象，通过这篇文章，小编希望大家可以对机器学习的相关情况以及信息有所认识和了解，详细内容如下。
-
机器学习有哪些框架
深度学习需要大量的计算。它通常包含具有许多节点的神经网络，并且每个节点都有许多需要在学习过程中必须不断更新的连接。换句话说，神经网络的每一层都有成百上千个相同的人工神经元在执行相同的计算。
-
人工神经网络主要有哪些特点？
人工神经网络(Artificial Neural Network，即ANN )是从信息处理角度对人脑神经元网络进行抽象，是20世纪80年代以来人工智能领域兴起的研究热点，其本质是一种运算模型，由大量的节点(或称神经元)之间相互联接构成，在模式识别、智能机器人、自动控制、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。
-
人工智能神经网络是什么？
许多人工智能计算机系统的核心技术是人工神经网络(ANN)，而这种网络的灵感来源于人类大脑中的生物结构。通过使用连接的“神经元”结构，这些网络可以通过“学习”并在没有人类参与的情况下处理和评估某些数据。神经网络提供了位于托管数据之上的排序和分类级别，可基于相似度来辅助数据的聚类和分组。可以使用人工神经网络(ANN)生成复杂的垃圾邮件过滤器，查找欺诈行为的算法以及可以精确了解情绪的客户关系工具。
-
从人工智能发展中所诞生的产品
1956年，美国Dartmouth大学举办的一场研讨会中提出了人工智能这一概念。
-
米尔入门级i.MX6UL开发板的神经网络框架ncnn移植与测试
米尔 MYD-Y6ULX-V2 开发板，基于 NXP i.MX6UL/i.MX6ULL处理器，该开发板被米尔称之为经典王牌产品。本次测试目标是在此开发板上进行神经网络框架ncnn的移植与测试开发，测试ncnn在此开发板上的性能与应用测试。
-
人工智能技术的发展和应用越来越广泛！
人工智能的不断发展和越来越广泛的应用，将相应地需要更先进和可扩展的基础设施来支持其开发和部署。人工智能基础设施投资的一个关键领域将是专门的数据基础设施，如矢量数据库，其设计用于存储和处理现代ML模型生成的大量数据。Liberty表示：“这将加速人工智能系统的开发和部署，这些系统在许多领域将超过上一年的应用。”
-
什么是自编码器？对机器学习有什么影响？
AutoEncoder的基本思想是利用神经网络来做无监督学习，就是把样本的输入同时作为神经网络的输入和输出。本质上是希望学习到输入样本的表示(encoding)。早期AutoEncoder的研究主要是数据过于稀疏、数据高维导致计算复杂度高。比较早用神经网络做AutoEncoder的可以追溯到80年代的BPNN和MLP以及当时Hinton推崇的RBM。后来到了2000年以后还坚持在做的只剩下Hinton的RBM了。从2000年以后，随着神经网络的快速兴起，AutoEncoder也得到快速发展，基本上有几条线：稀疏AutoEncoder、噪音容忍AutoEncoder、卷积AutoEncoder、变分AutoEncoder。最新的进展是结合对抗思想的对抗AutoEncoder。
-
什么是深度学习
深度学习是近10年机器学习领域发展最快的一个分支，由于其重要性，三位教授(Geoffrey Hinton、Yann Lecun、Yoshua Bengio)因此同获图灵奖。深度学习模型的发展可以追溯到1958年的感知机(Perceptron)。1943年神经网络就已经出现雏形(源自NeuroScience)，1958年研究认知的心理学家Frank发明了感知机，当时掀起一股热潮。后来Marvin Minsky(人工智能大师)和Seymour Papert发现感知机的缺陷：不能处理异或回路等非线性问题，以及当时存在计算能力不足以处理大型神经网络的问题。于是整个神经网络的研究进入停滞期。
-
基于硅忆阻突触的深度置信神经网络
虽然人工智能 (AI) 模型变得越来越先进，但在传统计算机硬件上训练和运行这些模型非常耗能。因此，世界各地的工程师一直在尝试创建替代的、受大脑启发的硬件，以更好地支持人工智能系统的高计算负载。
