本文列出的一些是自今年夏季以来的一些公开出版了的成果案例。其中最值得注意的是神经网络和机器学习在医疗领域的应用；这方面的研究成果和进展很多，也已经开始吸引到了一些资本的支持。
有人曾经预测深度学习市场将在可预见的未来内攀升至数十亿美元，但也能听到一些怀疑的声音，毕竟目前的大多数应用都还只是停留在图像标注与识别、翻译和其它更加面向消费者的领域。这不是说深度学习的发展潜力不会来自于这些早期应用，这里所要强调的是深度学习在企业应用和科研领域的可能性已经蓄势待发了！
硬件和算法都在突飞猛进地发展，似乎正孕育着深度学习框架在能源、医疗、物理学等各种领域内的新应用的「寒武纪大爆发」。
有趣的是，在我们探查过的过去几年的经过同行评议的研究中，直到过去一个月，各个领域内的深度学习应用才出现爆发。这些新应用给深度学习的市场预期注入了活力，同时也带来了让人忧虑的乐观（不知道是好事还是坏事）。
这也是英特尔在硬件（Nervana Systems）和软件（Movidius）两个方向同时进行令人瞩目的收购的原因，另外，英伟达也将自己的未来押到了深度学习加速（deep learning acceleration）上，还有一众 ASIC、FPGA 等设备的芯片创业公司也在最近涌入了这一领域。
然而，各种使用深度学习框架的研究并不会凭空创造出一个市场，但这已经在高端企业应用和科研领域形成了有价值的发展势头——而且还在继续发展。
过去几周，我们看到一些研究在神经网络和先进机器学习框架的帮助下实现了突破。
1.先进的黑色素瘤筛选和检测
密歇根大学的研究者使用图像识别技术来检测这种最致命的、但在早期可以治疗的癌症。黑色素瘤不仅致命，而且还难以准确筛查。该团队训练了一个神经网络来区分痣和可疑病变的特征（质地和结构），以便更好地识别。
该团队称在检测黑色素瘤方面，「定性和定量评估的实验结果表明这种方法的表现超过了迄今为止最佳的算法」。（论文：Extraction of Skin Lesions from Non-Dermoscopic Images Using Deep Learning）
2.用于脑癌检测的神经网络
法国一个研究团队指出检测手术过程中的侵入性脑癌细胞是很困难的，其部分原因在于手术室内的光照影响。他们发现在实验过程中将神经网络与拉曼光谱法（Raman spectroscopy）结合起来可以让他们更轻松地检测癌症细胞和减少术后残留癌细胞。
事实上，这项研究只是过去几周许多将图像识别和分类与各种癌症筛查设备结合起来的研究中的一个。（论文：Modeling and multi-objective Pareto optimization of new cyclone separators using CFD, ANNs and NSGA II algorithm）
3.用于超声成像、产前保健的机器学习
英国和澳大利亚的一个联合研究团队已经将图像识别和机器学习技术用在了自动解读胎儿窘迫的迹象上，从而可以指导减轻子宫中潜在不健康症状的手术前策略。尽管该神经网络的训练数据集还很有限，但这项研究已经展现出了进一步研究的潜力。（论文：Deep neural networks for predicting pouch of Douglas obliteration based on transvaginal ultrasound sliding sign videos）
4.天气预报和事件检测
这个传统的大型超级计算机的领域现在正在变成神经网络发展的温床，尤其是涉及到天气事件（模式）检测时。在其中一个例子中，研究者使用神经网络和其它遗传算法的方法来匹配计算流体动力学（computational fluid dynamics）代码，从而可以检测气旋活动。（论文：Modeling and multi-objective Pareto optimization of new cyclone separators using CFD, ANNs and NSGA II algorithm）
5.使用神经网络进行能源市场价格预测
西班牙和葡萄牙的研究者将人工神经网络应用到了能源网上来预测价格和使用上的波动（Short-Term Price Forecasting Models Based on Artificial Neural Networks for Intraday Sessions in the Iberian Electricity Market）。该地区每日的和每日内的市场是以每日分阶段的形式组织的，其中第二天的销量和购电交易是根据能源的供求关系分成每日六个阶段进行的，其价格可能会根据之前的情况上涨。
简而言之，能够基于消费和可用性的模式做出合适的预测，从而实现更高的效率和节省成本。这个方向的研究还有很多：A hybrid wind power forecasting model based on data mining and wavelets analysis、Forecasting day-ahead price spikes for the Ontario electricity market 和 24-h Ahead Wind Speed Prediction for the Optimum Operation of Hybrid Power Stations with the Use of Artificial Neural Networks.
6.航天飞行任务中的神经网络
一个意大利的研究团队关注的重点是 CubeSats（一种运行于近地轨道的新型航天系统）所面临的一些不同方面的技术难题。他们的研究关注的是「事件检测上的注意能力，目的是通过基于神经网络技术的人工智能算法实现超小型卫星任务的自动化，并将其应用于用作案例研究的未来任务。」你可以从他们复杂密集的论文《Neural networks for event detection: an interplanetary CubeSat asteroid mission case study》中看到他们处理优化和其他问题的方式。
7.金融领域的神经网络
过去四十年来，不管是在发达国家还是在发展中国家，期货市场都取得了惊人的成功。其成果的原因是期货为市场参与者所提供的巨大的杠杆作用。
研究《The application of technical trading rules developed from spot market prices on futures market prices using CAPM》使用资本资产定价模型（CAPM）和持有成本关系分析了受益于这种杠杆关系的交易策略。该团队将这种根据现货市场价格开发出的技术交易规则应用到了使用基于 CAPM 的对冲比率的期货市场价格上。
这项分析使用了来自 10 个市场（5 个发达国家市场和 5 个新兴市场）的 20 只股票的历史每日价格。还使用了流行的技术指标以及神经网络和遗传算法等人工智能技术来为每只股票和股票投资组合生成买卖信号。
交易和风险管理是有望应用神经网络的两个领域。另外值得注意的还有利用神经网络来预测企业破产（Predicting Corporate Bankruptcy: An Evaluation Of Alternative Statistical Frameworks）以及确定更大规模的银行和财务状况（Whose Balance Sheet is this? Neural Networks for Banks' Pattern Recognition）。
8.土木与机械工程领域的神经网络
来自印度尼西亚的一个团队利用人工神经网络（ANN）来预测苏门答腊岛地区多层钢筋混凝土建筑在地震荷载下的结构响应（层间位移）。他们执行模态反应谱分析（modal response spectrum analysis ）来模拟地震荷载，并产生结构响应数据以便在 ANN 中进一步使用。该 ANN 由 3 个层组成：一个输入层、一个隐藏层和一个输出层。来自苏门答腊岛 11 个位置的地震荷载参数、土壤状况和建筑几何结构被用作输入参数，而层间位移（story drift）则被选为该 ANN 的输出参数。该 ANN 的训练使用了多达 1080 个数据集，测试使用了 405 个数据集。训练好的 ANN 能够以 95% 的预测率和计算均方误差（MSE）预测地震荷载下的层间位移。（论文：The Application of Artificial Neural Networks in Predicting Structural Response of Multistory Building in The Region of Sumatra Island）
神经网络也被用于土木工程和城市规划以帮助预测各种环境中的交通状况（Comparison of several short-term traffic speed forecasting models），另外也有研究者使用神经网络来寻找交通事故的分类模式（Clustering-based classification of road traffic accidents using hierarchical clustering and artificial neural networks）。
9.生物科学/地球科学
使用人工神经网络评估叶片中的叶绿素浓度指数（Estimation of Chlorophyll Concentration Index at Leaves using Artificial Neural Networks）
使用神经网络对航拍视频进行背景分类的自动动物检测（Background Categorization for Automatic Animal Detection in Aerial Videos Using Neural Networks）
使用模糊逻辑和神经网络的太阳辐射预测（Solar radiation prediction using fuzzy logic and neural networks）
深海动物的自动检测（Automated Detection of Deep-Sea Animals）
使用多模态和多尺度深度网络进行地球观测数据的语义分割（Semantic Segmentation of Earth Observation Data Using Multimodal and Multi-scale Deep Networks）
使用极限学习方法预测乌尔米亚湖的水位（Prediction of Water-Level in the Urmia Lake Using the Extreme Learning Machine Approach）
10.电子器件、传感器、设备
结合几何与神经网络方法进行卫星执行器和传感器的一般故障检测（Combined Geometric and Neural Network Approach to Generic Fault Diagnosis in Satellite Actuators and Sensors）
使用卷积神经网络对前视声纳图像进行目标性评分和提供检测建议（Objectness Scoring and Detection Proposals in Forward-Looking Sonar Images with Convolutional Neural Networks）
11.材料、制造和工业
金属矿中开采和预修整等级的智能集成优化（Intelligent integrated optimization of mining and pre-dressing grades in metal mines）
实验调查的分析使用 SiC 和石墨的铝金属基复合材料的磨损性能（Experimental Investigation And Analysis Of Wear Behaviour Of Aluminium Metal Matrix Composites Reinforced With Sic And Graphite）
使用人工神经网络预测钻井作业的粉尘飞散（Prediction of Dust Dispersion by Drilling Operation Using Artificial Neural Networks）
船舶发电机的稳健自适应电压控制（Robust Adaptive Voltage Control of Electric Generators for Ships）
12.社会学、心理学和人文
人工神经网络在预测儿童天赋上的应用（The application of artificial neural networks in predicting children’s giftedness）
使用带有基于时间序列的循环依赖的神经网络进行短篇小说流行度预测（Short Story Popularity Prediction using Neural Networks with Time Series-Based Circular Dependencies）
其它使用神经网络的医疗进展
使用径向基函数神经网络根据生物生理信号进行连续的和离散的疼痛评估（Using Radial Basis Function Neural Networks for Continuous and Discrete Pain Estimation from Bio-physiological Signals）
使用深度卷积神经网络量化射线检查的膝骨关节炎的严重程度（Quantifying Radiographic Knee Osteoarthritis Severity using Deep Convolutional Neural Networks）
使用双树复小波变换和人工神经网络的乳腺癌钼靶诊断方法（Breast cancer mammography diagnosis approach using dual tree complex wavelet transform and artificial neural networks）
使用带有改进过的 Bee Firefly 算法的函数链神经网络的乳腺肿块分类（Mammographic Mass Classification Using Functional Link Neural Network with Modified Bee Firefly Algorithm）
最后再次说明一下，这并不是一份完整的清单，而是最近几周来各个学科出现的一些比较引人注意的新成果的一部分。未来我们应该还能见到更多有价值的应用出现，但毫无疑问，我们现在已经站在了深度学习大规模应用的起点上。
