電鏡中的垃圾變黃金—深度神經網絡
近十年來，掃描探針、電子顯微鏡和光學顯微鏡的光譜成像方法發(fā)展迅速，導致了大型多維數據集的興起。在許多情況下，將高光譜數據降維到較低維度的材料特征參數，要依賴功能擬合，雖然擬合函數的近似形式是已知的，但函數的參數卻是需要人為確定的。然而，通過迭代方法實現噪聲數據的功能擬合（如最小二乘梯度下降），常常會出現虛假結果。
來自美國橡樹林國家實驗室的Stephen Jesse領導的團隊，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據的最小二乘擬合中提取物理模型參數，并能通過深度學習測定先驗參數而增強提取能力。他們將這種方法應用于從壓電響應力顯微鏡數據中提取簡諧振子參數，并證明了通過結合使用深度神經網絡和最小二乘擬合，可以探測比傳統(tǒng)方法低一個數量級的信號響應，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)壓電響應力顯微鏡成像中，提取阻尼簡諧振子參數。這種使用深度神經網絡的方法是通用的，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：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規(guī)問題，請聯系本站處理。
舉報投訴
-
探針
+關注
關注
4文章
210瀏覽量
20459 -
深度神經網絡
+關注
關注
0文章
61瀏覽量
4537
原文標題：npj: 電鏡中的垃圾變黃金—深度神經網絡
文章出處：【微信號：zhishexueshuquan，微信公眾號：知社學術圈】歡迎添加關注！文章轉載請注明出處。
發(fā)布評論請先 登錄
相關推薦
FPGA在深度神經網絡中的應用
隨著人工智能技術的飛速發(fā)展，深度神經網絡（Deep Neural Network, DNN）作為其核心算法之一，在圖像識別、語音識別、自然語言處理等領域取得了顯著成果。然而，傳統(tǒng)的深度神經網絡
殘差網絡是深度神經網絡嗎
殘差網絡（Residual Network，通常簡稱為ResNet） 是深度神經網絡的一種 ，其獨特的結構設計在解決深層網絡訓練中的梯度消失和梯度爆炸問題上取得了顯著的突破，并因此成為
簡單認識深度神經網絡
深度神經網絡（Deep Neural Networks, DNNs）作為機器學習領域中的一種重要技術，特別是在深度學習領域，已經取得了顯著的成就。它們通過模擬人類大腦的處理方式，利用多層神經
rnn是遞歸神經網絡還是循環(huán)神經網絡
RNN（Recurrent Neural Network）是循環(huán)神經網絡，而非遞歸神經網絡。循環(huán)神經網絡是一種具有時間序列特性的神經網絡，能夠處理序列數據，具有記憶功能。以下是關于循環(huán)
深度神經網絡概述及其應用
深度神經網絡（Deep Neural Networks, DNNs）作為機器學習的一種復雜形式，是廣義人工神經網絡（Artificial Neural Networks, ANNs）的重要分支。它們
循環(huán)神經網絡和卷積神經網絡的區(qū)別
循環(huán)神經網絡（Recurrent Neural Network，RNN）和卷積神經網絡（Convolutional Neural Network，CNN）是深度學習領域中兩種非常重要的神經網絡
深度神經網絡與基本神經網絡的區(qū)別
在探討深度神經網絡（Deep Neural Networks, DNNs）與基本神經網絡（通常指傳統(tǒng)神經網絡或前向神經網絡）的區(qū)別時，我們需
深度神經網絡的設計方法
深度神經網絡（Deep Neural Networks, DNNs）作為人工智能領域的重要技術之一，通過模擬人腦神經元之間的連接，實現了對復雜數據的自主學習和智能判斷。其設計方法不僅涉及網絡
卷積神經網絡與循環(huán)神經網絡的區(qū)別
在深度學習領域，卷積神經網絡（Convolutional Neural Networks, CNN）和循環(huán)神經網絡（Recurrent Neural Networks, RNN）是兩種極其重要
bp神經網絡是深度神經網絡嗎
BP神經網絡（Backpropagation Neural Network）是一種常見的前饋神經網絡，它使用反向傳播算法來訓練網絡。雖然BP神經網絡在某些方面與
卷積神經網絡訓練的是什么
卷積神經網絡（Convolutional Neural Networks，簡稱CNN）是一種深度學習模型，廣泛應用于圖像識別、視頻分析、自然語言處理等領域。本文將詳細介紹卷積神經網絡的基本概念、結構
深度學習與卷積神經網絡的應用
隨著人工智能技術的飛速發(fā)展，深度學習和卷積神經網絡（Convolutional Neural Network, CNN）作為其中的重要分支，已經在多個領域取得了顯著的應用成果。從圖像識別、語音識別
卷積神經網絡和bp神經網絡的區(qū)別
化能力。隨著深度學習技術的不斷發(fā)展，神經網絡已經成為人工智能領域的重要技術之一。卷積神經網絡和BP神經
深度神經網絡模型有哪些
深度神經網絡（Deep Neural Networks，DNNs）是一類具有多個隱藏層的神經網絡，它們在許多領域取得了顯著的成功，如計算機視覺、自然語言處理、語音識別等。以下是一些常見的深度
詳解深度學習、神經網絡與卷積神經網絡的應用
在如今的網絡時代，錯綜復雜的大數據和網絡環(huán)境，讓傳統(tǒng)信息處理理論、人工智能與人工神經網絡都面臨巨大的挑戰(zhàn)。近些年，深度學習逐漸走進人們的視線，通過深
工商網監(jiān)
評論