![](https://img-blog.csdnimg.cn/20210830202741667.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
人工智能
文章平均质量分 94
带你揭开人工智能的神秘面纱~
Ethan Hunt丶
一个计算机工程师、AI实践者与BCI研究者,热衷于探索前沿领域知识、热爱生活~
展开
-
机器学习入门之流浪地球
机器学习入门之流浪地球1、引言2、问题描述3、问题分析4、问题求解4.1 数据集4.2 模型构造4.3 损失函数4.4 梯度下降4.5 模型训练4.6 预测5、总结与思考1、引言我国里程碑式科幻电影巨制《流浪地球》一经播出,在国内外引起了广泛的关注,吸引了一大批科幻爱好者前去踊跃观赏。在电影中,时间已辗转至2075年,受到某些因素的影响,我们赖以生存的太阳即将面临毁灭。面对绝境,人类试图开启"流浪地球"计划,试图带着地球一起逃离太阳系,在浩瀚的宇宙中寻找人类宜居的新家园…在现实中,时间回溯至202原创 2021-08-30 19:59:00 · 362 阅读 · 0 评论 -
基于深度学习的SSVEP分类算法简介
EEGNet: EEGNet是一种专门为处理脑电信号数据而设计的卷积神经网络模型,它接收时域脑电数据作为网络输入。EEGNet由4层组成。第一层是卷积层,用于模拟对每个通道数据进行的带通滤波操作。第二层是空间滤波层,通过深度卷积对每个通道的数据进行加权。第三层是用于提取类别信息的独立卷积层。第四层是用于分类的完全连接层。自提出以来,EEGNet已被用于各种脑电任务,如运动图像、P300、SSVEP等12CCNN: CCNN也是一个卷积神经网络模型。不同的是,原创 2024-02-04 09:54:25 · 2183 阅读 · 0 评论 -
MSI: 基于多元同步索引的SSVEP频率识别算法
因其较高的时间分辨率、相对低的成本与高便携性, 从头皮采集的脑电图(electroencephalograhy, EEG)是被用于构建BCI系统的最广泛使用的数据模态。因此, 一个无需依赖于调优步骤或仅依赖于少量调优过程的SSVEP频率识别算法亟待提出, 以使得BCI系统的使用变得便捷高效。在基于SSVEPs的BCI系统中, 目标由单个刺激频率或不同刺激频率之间的组合来进行编码, 不同的目标编码则可以代表不同的控制命令。在经过公式 (5)中的线性转换后, 公式 (6) 中的自相关信息将被抵消。原创 2023-04-13 23:07:49 · 1420 阅读 · 1 评论 -
SSVEPNet:使用标签平滑与谱归一化的高效CNN-LSTM网络
本研究中,我们提出了一种高效的混合CNN-LSTM网络,该网络采用谱归一化和标签平滑技术,用于短时SSVEP分类。为了验证我们模型的有效性,我们在被试内和跨被试分类情况中两种不同的时间窗口长度中,将所提出的模型与其他传统方法和深度学习方法进行了全面比较。结果表明,该模型优于其他方法,在被试内小规模数据量情况下尤为显著。进一步的消融实验检验了谱归一化和基于注意的标签平滑在该模型中的作用。大量的实验结果表明,SSVEPNet是一个很有前途的SSVEP频率识别方法,而谱归一化和基于注意的标签平滑技术可作为有效策略翻译 2022-09-21 23:16:22 · 2301 阅读 · 5 评论 -
机器学习与深度学习入门环境安装
机器学习入门环境安装1、编程语言环境配置2、开发平台安装3、机器学习工具包4、深度学习环境配置1、编程语言环境配置2、开发平台安装3、机器学习工具包4、深度学习环境配置原创 2022-04-15 02:18:05 · 4756 阅读 · 5 评论 -
卷积神经网络反卷积后尺寸大小计算
卷积神经网络反卷积后尺寸大小计算反卷积尺寸计算公式附:证明过程反卷积尺寸计算公式H′=(H−1)∗S[0]+K[0]−2∗Pad[0]W′=(W−1)∗S[1]+K[1]−2∗Pad[1]\begin{aligned}\\H'&= (H - 1)*S[0]+K[0]-2*Pad[0] \\ \\W' &= (W - 1)*S[1]+K[1]-2*Pad[1]\end{aligned}H′W′=(H−1)∗S[0]+K[0]−2∗Pad[0]=(W−1)∗S[1]+K[1]−2原创 2021-10-19 16:20:05 · 1401 阅读 · 3 评论 -
卷积神经网络卷积后尺寸大小计算
神经网络卷积后尺寸计算1、无填充1.1 公式1.2 示例2、有填充2.1 公式2.2 示例1、无填充1.1 公式H′=(H−K[0])S[0]+1W’=(W−K[1])S[1]+1\begin{aligned}\\H' &= \frac{(H-K[0])}{S[0]} + 1 \\ \\W’ &=\frac{(W-K[1])}{S[1]} + 1\end{aligned}H′W’=S[0](H−K[0])+1=S[1](W−K[1])+1其中,KKK表示卷积核尺寸(ke原创 2021-10-06 21:58:40 · 3098 阅读 · 0 评论 -
使用滤波器组的FBCCA算法
使用滤波器组的FBCCA算法1、FBCCA2、FBCCA1、FBCCA2、FBCCA原创 2021-10-01 16:13:08 · 4852 阅读 · 6 评论 -
提取任务相关成分的TRCA算法
提取任务相关成分的TRCA算法1、TRCA算法简介2、TRCA算法原理与推导1、TRCA算法简介虽然基于CCA的方法在识别SSVEP信号方面具有不错的表现,但这类方法的性能仍旧易受到自发脑电活动的干扰的影响。除此之外,研究人员们考虑到基于CCA的方法还有一个很大的问题,即没有利用到相位信息(参考信号中正余弦中没有包含相位项)。那么如果能够有效地利用相位信息,想必会给SSVEP的识别性能带来较大的提升。由此研究人员便提出了TRCA方法,TRCA的方法即通过最大化每个task中神经影像数据的复现性(rep原创 2021-10-01 11:16:15 · 5889 阅读 · 16 评论 -
基于核概念的KCCA算法
基于核概念的KCCA算法1、由CCA算法过渡至KCCA算法2、KCCA算法的原理与推导1、由CCA算法过渡至KCCA算法典型相关分析(CCA)算法是一种标准的统计技术,用于寻找两个最大相关的随机向量的线性投影。CCA算法是一个计算两个多维变量相关性的强大方法,但如果两个变量间存在非线性相关的关系,CCA算法也许在此时会失效。为了克服CCA算法的这个弊端,KCCA算法通过引入”kernel trick”的概念改进CCA算法。2、KCCA算法的原理与推导传统的CCA算法的目标是找寻一对方向向量wxw_x原创 2021-09-30 23:53:39 · 2432 阅读 · 2 评论 -
应用于SSVEP脑电信号识别的CCA算法
应用于SSVEP脑电信号识别的CCA算法1、SSVEP信号2、应用于SSVEP信号的CCA算法1、SSVEP信号SSVEP是指当受到一个固定频率的视觉刺激的时候,人的大脑视觉皮层会产生一个连续的与刺激频率有关(刺激频率的基频或倍频处)的响应。研究者认为大脑里分布的各种神经网络都有其固有的谐振频率,在正常状态下,这些神经网络都是互不同步的,也是杂乱无章,没有规律的,此时的脑电信号是自发脑电。当施加一个恒定频率的外界视觉刺激时,与刺激频率或谐波频率相一致的神经网络就会产生谐振,导致大脑的电位活动在刺激原创 2021-09-30 17:34:17 · 7559 阅读 · 9 评论 -
初识Python
初识Python1、Python与人工智能的联系2、Python的安装3、编写第一个Python程序4、配置环境变量1、Python与人工智能的联系每当我们说起python就会联想到人工智能,很多人不明白python与人工智能之间有什么联系,下面就简单易懂解释一下吧。python是一门计算机编程语言,类似Java,PHP,C++等编程语言。python本身是一门面向对象的编程语言,具有丰富...原创 2019-10-14 23:16:22 · 208 阅读 · 0 评论 -
对机器学习西瓜书中公式2.27的个人理解
对机器学习西瓜书中公式2.27的个人理解1、前景引入2、符号解析3、类比推理1、前景引入最近在看机器学习的西瓜书,对书中公式2.27甚是不解…在网上搜了很多资料,看了很多大佬的博客,问了同学和老师。但可能由于我数学比较差吧,对于涉及很多数学符号的逻辑推理过程,总有那么一个环节我会因为对其中一个细节的不解而感到疑惑…从而最终基本上还是有种懵里懵懂的感觉。于是我有了个不成熟的想法…我在想能不能通过一个生活中的例子来解释一通…2、符号解析当然,纵使是使用生活中的例子来类比公式的潜在含义,对于这个公式原创 2021-04-30 18:20:48 · 913 阅读 · 3 评论 -
常用的机器学习与深度学习算法简介
常用的机器学习与深度学习算法简介1、机器学习1.1 决策树与随机森林1.2 支持向量机(SVM)1.3 k-最近邻算法1.4 朴素贝叶斯分类器2、深度学习2.1 人工神经网络2.2 深度神经网络2.3 卷积神经网络2.4 循环神经网络2.5 自编码器1、机器学习1.1 决策树与随机森林决策树(Decision Tree)是一种将决策流程以树状结构清晰表示的机器学习方法,本质上是通过一系列规则对数据进行分类的过程。图1-决策树随机森林(Random Forest)是通过构建多个决策树对样本进行训原创 2021-08-28 02:27:14 · 5989 阅读 · 0 评论