電鏡中的垃圾變黃金—深度神經(jīng)網(wǎng)絡(luò)
近十年來，掃描探針、電子顯微鏡和光學(xué)顯微鏡的光譜成像方法發(fā)展迅速，導(dǎo)致了大型多維數(shù)據(jù)集的興起。在許多情況下，將高光譜數(shù)據(jù)降維到較低維度的材料特征參數(shù)，要依賴功能擬合，雖然擬合函數(shù)的近似形式是已知的，但函數(shù)的參數(shù)卻是需要人為確定的。然而，通過迭代方法實現(xiàn)噪聲數(shù)據(jù)的功能擬合（如最小二乘梯度下降），常常會出現(xiàn)虛假結(jié)果。
來自美國橡樹林國家實驗室的Stephen Jesse領(lǐng)導(dǎo)的團隊，提出了一種新的方法，可用來逆向解決問題，可從基于光譜成像數(shù)據(jù)的最小二乘擬合中提取物理模型參數(shù)，并能通過深度學(xué)習(xí)測定先驗參數(shù)而增強提取能力。他們將這種方法應(yīng)用于從壓電響應(yīng)力顯微鏡數(shù)據(jù)中提取簡諧振子參數(shù)，并證明了通過結(jié)合使用深度神經(jīng)網(wǎng)絡(luò)和最小二乘擬合，可以探測比傳統(tǒng)方法低一個數(shù)量級的信號響應(yīng)，接近激發(fā)信號的熱限制。作為模型系統(tǒng)，他們演示了從層狀鐵電化合物的帶激發(fā)壓電響應(yīng)力顯微鏡成像中，提取阻尼簡諧振子參數(shù)。這種使用深度神經(jīng)網(wǎng)絡(luò)的方法是通用的，并且在正向和反向情況下都顯示出它們作為函數(shù)近似器的效用，且它們在嘈雜的環(huán)境中工作良好。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
探針
+關(guān)注
關(guān)注
4文章
219瀏覽量
21003 -
深度神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
0文章
62瀏覽量
4703
原文標(biāo)題：npj: 電鏡中的垃圾變黃金—深度神經(jīng)網(wǎng)絡(luò)
文章出處：【微信號：zhishexueshuquan，微信公眾號：知社學(xué)術(shù)圈】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
熱點推薦
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)在多個方面存在顯著差異，以下是對兩者的比較： 一、結(jié)構(gòu)特點 BP神經(jīng)網(wǎng)絡(luò) ： BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)
什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法
BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法（Backpropagation Algorithm）是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的有效方法。以下是關(guān)于BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法的介紹： 一、基本概念 反向傳播算法是BP
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)之間存在著密切的關(guān)系，以下是對它們之間關(guān)系的介紹： 一、BP神經(jīng)網(wǎng)絡(luò)的基本概念 BP神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)（Ba
深度學(xué)習(xí)入門：簡單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實現(xiàn)
深度學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元組成，
人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法
在上一篇文章中，我們介紹了傳統(tǒng)機器學(xué)習(xí)的基礎(chǔ)知識和多種算法。在本文中，我們會介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法，供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)模型之所
卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)工具與框架
卷積神經(jīng)網(wǎng)絡(luò)因其在圖像和視頻處理任務(wù)中的卓越性能而廣受歡迎。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，多種實現(xiàn)工具和框架應(yīng)運而生，為研究人員和開發(fā)者提供了強大的支持。 TensorFlow 概述
卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較
在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù)，如圖像識別、自然語言處理和游戲智能等。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見的模型。 1. 結(jié)構(gòu)差異 1.1 傳統(tǒng)
深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型
深度學(xué)習(xí)近年來在多個領(lǐng)域取得了顯著的進(jìn)展，尤其是在圖像識別、語音識別和自然語言處理等方面。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個分支，因其在圖像處理任務(wù)中的卓越性能而受到廣泛關(guān)注。 卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)的基本原理與算法
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks，F(xiàn)NN
RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別
神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)領(lǐng)域中的一種強大工具，它們能夠模擬人腦處理信息的方式。隨著技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)的類型也在不斷增加，其中循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（如前饋
LSTM神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)RNN的區(qū)別
在深度學(xué)習(xí)領(lǐng)域，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）因其能夠處理序列數(shù)據(jù)而受到廣泛關(guān)注。然而，傳統(tǒng)RNN在處理長序列時存在梯度消失或梯度爆炸的問題。為了解決這一問題，LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)應(yīng)運而生。 循環(huán)
Moku人工神經(jīng)網(wǎng)絡(luò)101
不熟悉神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，或者想了解神經(jīng)網(wǎng)絡(luò)如何優(yōu)化加速實驗研究，請繼續(xù)閱讀，探索基于深度學(xué)習(xí)的現(xiàn)代智能化實驗的廣闊應(yīng)用前景。什么是神經(jīng)網(wǎng)絡(luò)？“人工
matlab 神經(jīng)網(wǎng)絡(luò) 數(shù)學(xué)建模數(shù)值分析
matlab神經(jīng)網(wǎng)絡(luò) 數(shù)學(xué)建模數(shù)值分析 精通的可以討論下
發(fā)表于 09-18 15:14
FPGA在深度神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
隨著人工智能技術(shù)的飛速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN）作為其核心算法之一，在圖像識別、語音識別、自然語言處理等領(lǐng)域取得了顯著成果。然而，傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)
如何構(gòu)建多層神經(jīng)網(wǎng)絡(luò)
構(gòu)建多層神經(jīng)網(wǎng)絡(luò)（MLP, Multi-Layer Perceptron）模型是一個在機器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域廣泛使用的技術(shù)，尤其在處理分類和回歸問題時。在本文中，我們將深入探討如何從頭開始構(gòu)建一個多層神經(jīng)網(wǎng)絡(luò)模型，包括模型設(shè)計、
工商網(wǎng)監(jiān)
評論