This book introduces some applications of Computational Intelligence (CI) to problems of Earth System Science (ESS). In my opinion, the meeting of CI and ESSs is not a coincidence. There is an affinity between these two fields of science at a very deep level. Both of them use a systems approach; they see their object as a complex system of partly autonomous, evolving, and adaptive subsystems intensively interacting with each other and with their environment, which also changes due to the interaction between subsystems and due to changes of the subsystems. This deep affinity between the two fields makes the approaches and tools developed in CI well suited for solving many problems in ESSs; therefore, CI can provide adequate models for modeling subsystems of the Earth System.

近年来，随着深度学习的快速发展，脑启发式的人工智能光子神经网络引起了人们的新兴趣。光子神经网络在许多计算任务中有着广泛的应用，例如图像识别、语音处理、计算机视觉和机器翻译等。光子神经网络显著提高了神经网络的计算速度和能源效率，与数字电子相比提高了几个数量级。硅光子学结合了电子学和光子学的优势，为大规模光子神经网络集成实现带来了希望。本文介绍了人工神经网络的基本概念，回顾了硅光子神经网络中的一些重要最新进展，分析其原理及关键器件。希望通过本文综述，能够为研究者们提供光子神经网络的概述，加深对这个新兴领域的研究兴趣。

本文着重于通过考虑腺体的相互作用来改善神经内分泌模型的性能。与传统的神经内分泌模型相比，一个腺体的激素浓度受到其他腺体的调节，而细胞的重量则由改良的内分泌系统调节。设计了所有腺体之间的相互作用方程，并通过理论分析选择了它们的参数。由于当系统达到平衡状态时模型的所有参数都是常数，因此采用粒子群优化算法搜索模型的最优参数。理论分析表明，神经内分泌模型的性能优于或至少等于相应的人工神经网络。为了说明所提模型的有效性，对所提模型进行了测试，对一些文献中使用的不同研究领域的时间序列进行了测试，结果表明所提模型具有良好的性能。

自我监督预测的好奇心驱动探索 在ICML 2017中 ， ， ，加州大学伯克利分校 这是我们基于ICLS 基于张量流的实现，该。 当来自环境的外部奖励稀疏时，想法是用内在的基于好奇心的动机（ICM）来培训代理商。 令人惊讶的是，即使环境中没有可用的奖励，您也可以使用ICM，在这种情况下，代理仅出于好奇而学会探索：“没有奖励的RL”。 如果您发现这项工作对您的研究有用，请引用： @inproceedings{pathakICMl17curiosity, Author = {Pathak, Deepak and Agrawal, Pulkit and Ef

Convolutional Neural Networks的Matlab代码，可经过代码文件test_example_CNN.m，对手写字体进行训练测试

手写数字识别是一种通过不同的机器学习模型自动识别和检测手写数字数据的技术或技术。 在本文中，我们使用各种机器学习算法来提高技术的生产力并降低使用各种模型的复杂性。 机器学习是人工智能的一种应用，它从以前的经验中学习并通过经验自动改进。 我们说明了各种机器学习算法，例如支持向量机、卷积神经网络、量子计算、K-最近邻算法、识别技术中使用的深度学习。

用于分布和不确定性估计的混合密度网络：使用Keras（TensorFlow）进行分布和不确定性估计的通用混合密度网络（MDN）实现

Countless learning tasks require dealing with sequential data. Image captioning, speech synthesis, and music generation all require that a model produce outputs that are sequences. In other domains, such as time series prediction, video analysis, and musical information retrieval, a model must learn from inputs that are sequences. Interactive tasks, such as translat- ing natural language, engaging in dialogue, and controlling a robot, often demand both capabilities. Recurrent neural networks (RNNs) are connec- tionist models that capture the dynamics of sequences via cycles in the network of nodes.

神经网络(GNNs)是一种针对学习图表示的神经网络结构，已经成为一种流行的学习模型，用于预测节点、图和点的构型的任务，并在实践中获得了广泛的成功。本文选取了广泛应用的消息传递神经网络和高阶神经网络的逼近和学习特性的新兴理论成果，重点从表示、概括和外推三个方面进行了综述。本文总结了数学上的联系。

与现有的 Elman 循环神经网络相比，它是经过修改的架构。