本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法,通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况,成功地提取到了稀疏条件下的脑电信号的决定性特征。
Jun, 2022
本文主要介绍了一种新的基于随机逼近的在线优化算法,用于解决以学习基础集合和将其适应特定数据为主的大规模矩阵分解问题,其在各种矩阵分解方面有良好的表现,并在自然图像和基因数据上进行的实验中具有速度和优化方面的先进性能。
Aug, 2009
使用稀疏回归模型和变量聚类来解决功能性磁共振成像数据的支持恢复问题。
Jun, 2012
本文研究了利用神经网络加速解决数据分析和机器学习中稀疏编码优化问题的原因,发现其加速与字典的 Gram 矩阵核的一个特定矩阵分解有关,且优化加速条件主要存在于迭代过程的开始阶段。
Sep, 2016
本研究比较了两种最近的多主体因子分析方法:Shared Response Model 和 Hierarchical Topographic Factor Analysis,对其进行了分析、算法和代码优化,以实现多节点并行应用的规模化,提供较高的速度市场,同时在真实数据集中表现出很好的强伸缩性和在合成数据集中表现出好的弱伸缩性。
Aug, 2016
本文介绍了关于稀疏模型及其应用的多学科研究,主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典,提供了一种自包含的稀疏建模方法,已在各种领域中获得成功应用。
Nov, 2014
脑的体系结构过于复杂,需要使用压缩表示来将其变化投影到一个紧凑且可导航的空间中。通过比较基于线性和非线性方法的压缩表示,我们发现深度自编码器在性能和目标领域的各个指标上都表现出卓越的性能,从而支持将其用作代表人脑转录模式的参考标准。
Oct, 2023
本研究提出了一种结构化矩阵因数分解方法,用于同时解决大量神经元集合的位置识别,空间重叠组件混合分离以及每个神经元的钙离子浓度与时间关系的脉冲活动去噪和解卷积问题。
Sep, 2014
使用功能性磁共振成像(fMRI)对不同图像数据集进行复杂性特定的图像分类,研究神经活动与视觉相关的差异,发现并比较了不同网络模型在多类别分类中的性能,建立了研究人类大脑对不同复杂度图像反应的基准。
Sep, 2023
研究单层神经元网络如何执行在线对称非负矩阵分解(SNMF)的假设,通过导出基于 SNMF 成本函数的在线算法,可以实现具有局部学习规则的生物学上可行的网络。该算法具有软聚类和稀疏特征发现能力,是一个阶段性的研究,可以促进大规模神经电路模拟和生物启发式人工智能。
Mar, 2015