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(shí)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(huì)出現(xiàn)虛假結(jié)果。
來自美國橡樹林國家實(shí)驗(yàn)室的Stephen Jesse領(lǐng)導(dǎo)的團(tuán)隊(duì)，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(yàn)參數(shù)而增強(qiáng)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(gè)數(shù)量級(jí)的信號(hào)響應(yīng)，接近激發(fā)信號(hào)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(diǎn)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(bào)投訴
-
探針
+關(guān)注
關(guān)注
4文章
229瀏覽量
21650 -
深度神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
0文章
62瀏覽量
4856
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(hào)：zhishexueshuquan，微信公眾號(hào)：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(píng)論請先 登錄
相關(guān)推薦
熱點(diǎn)推薦
一文詳解透射電鏡中的菊池衍射
菊池衍射是透射電鏡中連接基礎(chǔ)與高階分析的橋梁。它利用特征線對(duì)，為晶體取向測定與衍射條件調(diào)控提供納米級(jí)精準(zhǔn)導(dǎo)航。本文深度解析菊池線機(jī)制、幾何特征及圖譜構(gòu)建，助您精準(zhǔn)掌控倒易空間的“經(jīng)緯線”。
神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)
日常生活中的智能應(yīng)用都離不開深度學(xué)習(xí)，而深度學(xué)習(xí)則依賴于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)？神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物
自動(dòng)駕駛中常提的卷積神經(jīng)網(wǎng)絡(luò)是個(gè)啥？
在自動(dòng)駕駛領(lǐng)域，經(jīng)常會(huì)聽到卷積神經(jīng)網(wǎng)絡(luò)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)，簡稱為CNN，是一種專門用來處理網(wǎng)格狀數(shù)據(jù)（比如圖像）的深度學(xué)習(xí)模型。CNN在圖像處理中尤其常見，因?yàn)閳D像本身就可以看作是由像素排列成的二維網(wǎng)格。
NMSIS神經(jīng)網(wǎng)絡(luò)庫使用介紹
NMSIS NN 軟件庫是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核，旨在最大限度地提高 Nuclei N 處理器內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。
該庫分為多個(gè)功能，每個(gè)功能涵蓋特定類別
發(fā)表于 10-29 06:08
在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)
本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)。我們采用jupyter notebook作為開發(fā)IDE，以TensorFlow2為訓(xùn)練框架，目標(biāo)是訓(xùn)練一個(gè)手寫數(shù)字識(shí)別的神經(jīng)網(wǎng)絡(luò)
發(fā)表于 10-22 07:03
CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作
在完成神經(jīng)網(wǎng)絡(luò)量化后，需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速器上。首先需要將所有權(quán)重?cái)?shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲(chǔ)器內(nèi)。
在仿真環(huán)境下，可將其存于一個(gè)文件，并在 Verilog 代碼中通過 readmemh 函數(shù)
發(fā)表于 10-20 08:00
液態(tài)神經(jīng)網(wǎng)絡(luò)（LNN）：時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)
1.算法簡介液態(tài)神經(jīng)網(wǎng)絡(luò)（LiquidNeuralNetworks，LNN）是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng)，特別是秀麗隱桿線蟲的神經(jīng)結(jié)構(gòu)，盡管這種微生物的
神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)
隨著人工智能技術(shù)的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和廣泛的應(yīng)用前景。然而，神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和規(guī)模也在不斷增加，這使得傳統(tǒng)的串行計(jì)算方式面臨著巨大的挑戰(zhàn)，如計(jì)算速度慢、訓(xùn)練時(shí)間長等
如何在機(jī)器視覺中部署深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
圖 1：基于深度學(xué)習(xí)的目標(biāo)檢測可定位已訓(xùn)練的目標(biāo)類別，并通過矩形框（邊界框）對(duì)其進(jìn)行標(biāo)識(shí)。 在討論人工智能（AI）或深度學(xué)習(xí)時(shí)，經(jīng)常會(huì)出現(xiàn)“神經(jīng)網(wǎng)絡(luò)”、“黑箱”、“標(biāo)注”等術(shù)語。這些概念對(duì)非專業(yè)
基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真模型解決方案
在基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真（DPD）模型中，使用不同的激活函數(shù)對(duì)整個(gè)系統(tǒng)性能和能效有何影響？
無刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測方法的研究
摘要:論文通過對(duì)無刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)轉(zhuǎn)角預(yù)測,并采用改進(jìn)遺傳算法來訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),借助
發(fā)表于 06-25 13:06
神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用
摘要:針對(duì)傳統(tǒng)專家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合,充分發(fā)揮了二者故障診斷的優(yōu)點(diǎn),很大程度上降低了對(duì)電機(jī)
發(fā)表于 06-16 22:09
神經(jīng)網(wǎng)絡(luò)RAS在異步電機(jī)轉(zhuǎn)速估計(jì)中的仿真研究
眾多方法中，由于其結(jié)構(gòu)簡單，穩(wěn)定性好廣泛受到人們的重視，且已被用于產(chǎn)品開發(fā)。但是MRAS仍存在在低速區(qū)速度估計(jì)精度下降和對(duì)電動(dòng)機(jī)參數(shù)變化非常敏感的問題。本文利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，使估計(jì)更為簡單、快速
發(fā)表于 06-16 21:54
基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析
本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出，然后通過python程序?qū)xt文件轉(zhuǎn)化為coe文件，（coe
NVIDIA實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)渲染技術(shù)的突破性增強(qiáng)功能
近日，NVIDIA 宣布了 NVIDIA RTX 神經(jīng)網(wǎng)絡(luò)渲染技術(shù)的突破性增強(qiáng)功能。NVIDIA 與微軟合作，將在 4 月的 Microsoft DirectX 預(yù)覽版中增加神經(jīng)網(wǎng)絡(luò)著色技術(shù)，讓開
工商網(wǎng)監(jiān)
評(píng)論