• 面向不平衡SCADA数据的风机故障诊断：基于多变量时序时空特征提取的MCNN-LSTM方法

  针对风电SCADA数据不平衡导致少数故障诊断准确率下降的难题，研究人员开展了基于多变量时序时空特征提取的故障诊断方法研究。他们提出了融合空间拓扑与时间演化的集成多变量时序表示法，构建了层次化MCNN-LSTM模型提取时空融合特征，并设计了改进的加权交叉熵损失函数。结果表明，该方法在真实数据集上取得了优异的综合性能，为提升风机运行可靠性提供了有效方案。

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2026-03-02

• 用于从眼底图像中检测青光眼的Shuffle Fuzzy Attention网络

  青光眼检测方法采用ShuffleFA-Net模型，结合Shuffle Attention Network、Taylor级数与ANFIS系统，通过ROI提取、CLAHE增强、SimpleCNN-UNet分割及HOS等特征分析，在K=8时实现94.0%准确率。

  来源：Computers and Electrical Engineering

  时间：2026-03-02

• 基于综合敏感性分析的阿尔茨海默病模型关键参数识别

  这篇研究通过构建一个包含Aβ单体、Aβ寡聚体、tau蛋白、神经原纤维缠结、小胶质细胞和细胞因子相互作用的数学模型，对阿尔茨海默病（AD）动力学进行了局部和全局敏感性分析，旨在识别驱动疾病进展的关键生物参数，为理解AD的复杂病理机制和潜在干预靶点提供了量化依据。

  来源：Communications in Nonlinear Science and Numerical Simulation

  时间：2026-03-02

• 基于神经网络与遗传算法的多热源异形冷板分区结构优化研究 中文标题

  针对多热源电子设备非均匀热流密度导致温度不均、传统全局优化方法难以兼顾局部热约束与全局流阻的难题，本文研究者耦合人工神经网络（ANN）与非支配排序遗传算法（NSGA-II），对直翅片与混合翅片（直翅片+针翅）冷板进行了独立分区参数优化。研究成功实现了最小流阻与综合性能平衡的优化设计，在满足各组件差异化温度限值下，显著降低了流动阻力（最高达52.9%），提升了温度均匀性，为多热源精密热管理提供了可扩展的设计框架。该成果发表于《Case Studies in Thermal Engineering》。

  来源：Case Studies in Thermal Engineering

  时间：2026-03-02

• 基于混合深度学习网络的全岩心图像缝合线自动识别研究

  为解决碳酸盐岩储层中缝合线(Stylolites)与裂缝等结构-成岩特征人工识别耗时、主观性强的问题，本研究采用创新的混合深度学习框架，将YOLOv5目标检测与ResNeXt-50图像分类相结合，实现了对全岩心图像中五大类地质特征（缝合线、裂缝、水平/垂直岩心塞、完整岩石）的自动识别与分类，最终模型在未见数据上分类准确率达92%。该工作为地下流体（如H2、CO2、天然气）流动模拟提供了精准的地质特征数据支撑，推动了岩心分析向自动化、智能化转型。

  来源：Applied Computing and Geosciences

  时间：2026-03-02

• 一种适用于智能边缘设备的45.2微瓦实时ASL手势识别系统，该系统采用分层自相似二进制神经网络实现

  提出了一种适用于智能边缘设备的超低功耗实时高精度手语识别系统LRASL，通过六阶段先进手部区域分割引擎AHRSE将输入压缩至32×32二进制手势，并采用硬件共享的分层自相似二进制神经网络引擎HSBNNE，有效解决相似手势识别难题，在28nm CMOS下实现45.2μW功耗和33.3ms延迟。

  来源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  时间：2026-03-02

• 结构地质隐式神经表征中的不确定性量化：基于哈密顿蒙特卡洛的方法

  为了解决基于人工智能的地质建模方法在预测不确定性表征上的关键空白，研究人员将高效的隐式神经表征（INR）地质建模框架GeoINR与基于贝叶斯神经网络（BNN）的哈密顿蒙特卡洛（HMC）采样器相结合。该方法探索了网络参数和观测数据不确定性所导致的完整地质模型实现空间，定量评估了预测地质界面的不确定性。实验在北海无噪声钻孔和加拿大萨斯喀彻温省有噪声测井数据集上均取得良好效果，且在评估无噪声数据认知不确定性方面，相比常用的蒙特卡洛Dropout方法表现出更优的准确性，为地质建模中的AI不确定性量化提供了更准确的新工具。

  来源：Computers & Geosciences

  时间：2026-03-02

• 通过使用预训练的语言模型进行文本生成来改进神经网络自然语言模型（NNLMs）

  文本生成增强数据提升轻量级语音识别模型

  来源：Computer Speech & Language

  时间：2026-03-02

• 研究具有二阶忆阻式突触的自反馈神经元中出现的放电模式多样性特征

  第二阶本地活性忆阻器（SOLAM）及其在HR神经元模型中的应用，通过小信号分析和局部活动理论揭示其非易失性与负微分电阻特性，构建SOMAHR模型并发现其在外部刺激下可生成频率依赖的多scroll混沌吸引子，验证电路可行性并揭示复杂神经动态机制。

  来源：Chaos, Solitons & Fractals

  时间：2026-03-02

• 随机自适应优化方法的末点迭代与几乎必然收敛统一理论框架

  本文提出一种名为“AdaFamily”的通用理论分析框架，为一系列非凸场景下的随机自适应优化算法（如带有有界自适应步长的随机动量法和有界梯度的随机Adam法）建立了末点迭代与几乎必然收敛的保证。该框架不依赖于算法更新方向与有效步长的具体形式，旨在弥合理论分析与实际应用之间的差距，为深度学习领域的优化算法设计提供了新的理论见解。

  来源：Artificial Intelligence

  时间：2026-03-02

• 利用硬件非理想特性构建在ACIM上的鲁棒低精度集成系统

  器件变异在模拟计算内存（ACIM）系统中的利用策略。研究通过在ACIM芯片上部署两个4位深度神经网络副本，结合软投票机制提升预测可靠性。实验表明，当器件变异系数σ≥0.10时，4位集合模型性能超越8位单模型基准，最高提升1.28pp。硬件评估显示，采用SRAM架构的ACIM系统，双副本方案面积缩减9%，但延迟增加30%，能耗上升2.1%。研究证实该机制在不同存储器技术（RRAM/FeFET）下的有效性，揭示了器件变异与计算性能的动态平衡关系。

  来源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  时间：2026-03-02

• 利用自编码器正则化实现多维数据的参数化与可逆投影学习

  为解决传统降维方法（如t-SNE和UMAP）普遍不具备参数化和可逆性，限制了其在动态数据集扩展和交互式数据生成中的应用这一难题，本研究深入探索并评估了基于自编码器的三种神经网络架构。研究人员通过引入特定的正则化方法，成功学习了与给定二维投影对齐的潜在空间，不仅能高精度地参数化嵌入新数据点，还能平滑地从投影空间反演出高维样本。结果表明，特别当采用KL散度正则化时，所提方法在保持高质量重构的同时，允许用户灵活控制投影的平滑度，为分类器评估和反事实生成等应用提供了强大的交互式生成模型。

  来源：Computers & Graphics

  时间：2026-03-02

• 综述：用于语义文本相似度的句子表示：系统性综述

  这篇综述系统性回顾了2018年至2025年期间关于生成句子表示以用于语义文本相似性（STS）任务的最新研究。文章通过构建一个分类法来组织该任务，分析了各种方法的模型架构、训练数据集和评估指标，总结了当前最优（SOTA）方法，并提出了针对句子级STS任务选择模型和方法的实用指南，为自然语言处理（NLP）领域的研究和应用提供了全面参考。

  来源：Computer Speech & Language

  时间：2026-03-02

• 用于骨修复的3D打印仿生纳米复合支架：促进间充质干细胞成骨-成神经分化的潜力

  本研究致力于解决大尺寸骨缺损修复中，同时促进骨再生与相关神经再生的难题。研究人员受天然骨结构和功能的启发，通过3D打印技术，成功构建了一种分区仿生纳米复合支架，其中心多孔区负载天然来源的羟基磷灰石（HA）以促进骨重建，外围致密区负载氧化石墨烯锚定超顺磁性氧化铁纳米颗粒（GO@SPION）以增强力学性能并诱导神经发生。体外实验证明，该支架具有优异的细胞相容性，并能有效促进脂肪来源间充质干细胞（AdMSCs）的成骨与成神经分化，为骨组织工程提供了兼具结构和功能仿生的新策略。

  来源：Chemical Engineering Journal Advances

  时间：2026-03-02

• 卷积神经网络作为二维系统的表示与分析 中文标题

  本刊特邀推荐：卷积神经网络(CNN)的性能分析常受限于高维结构带来的计算复杂度。为解决CNN的鲁棒性评估难题，研究团队开创性地提出将其视为二维Lur'e系统进行分析。通过将卷积层实现为二维线性系统的状态空间形式，并利用鲁棒控制理论中的耗散性和积分二次约束(IQC)工具，该工作建立了一套基于二维系统理论估计CNN Lipschitz常数的半定规划(SDP)框架。此项研究发表于《Automatica》，首次建立了二维系统理论与CNN分析的桥梁，为评估CNN对抗扰动的稳健性提供了比现有方法更具可扩展性的新途径。

  来源：Automatica

  时间：2026-03-02

• 多图归纳表示学习用于大规模城轨网络在运营中断下的起讫点需求预测

  城市轨道交通(URT)网络日益庞大，对起讫点(OD)需求进行精准预测是支持规划、调度和车队管理的关键。然而，现有模型难以应对网络结构动态变化、多种时空依赖性混杂以及列车延误/取消等运营不确定性。为此，研究人员开展了一项题为“Multi-Graph Inductive Representation Learning for Large-Scale Urban Rail Demand Prediction under Disruptions”的研究，提出一种名为mGraphSAGE的多图归纳表示学习框架。该模型将每个OD对表示为多个图中的节点，以捕捉不同的时空相关性，并显式纳入运营可靠性信息。实验表明，该模型在哥本哈根URT系统的三个网络规模上均优于基线，RMSE降低高达5%，证明了其在大型及受干扰URT环境下的适用性与鲁棒性。

  来源：Computers & Industrial Engineering

  时间：2026-03-02

• 基于图神经网络模型对山区非平稳风速预测和风场重建的研究

  针对山岳地形中非平稳风场预测与建模的挑战，本文提出双阶段框架：WindDynGNN采用改进MPBB-NMF和HA-GCN提升预测精度，MPTA-WindNet引入Navier-Stokes散度约束实现物理一致性建模。实验表明，相比传统方法，MAE降低19.9%-34.7%，RMSE降低24.7%-40.0%，验证了模型的有效性。

  来源：Computers and Electrical Engineering

  时间：2026-03-02

• APW-PINN：基于自适应分段加权损失策略增强PINN求解偏微分方程的鲁棒性与精度

  本文提出一种基于概率建模的自适应分段加权物理信息神经网络（APW-PINN），旨在解决传统物理信息神经网络（PINN）在多约束训练中面临的梯度失衡、收敛不稳及对噪声敏感等问题。该策略通过Smooth L1损失统一高斯与拉普拉斯分布的负对数似然，构建了一个可随训练学习噪声尺度参数的自适应损失函数。理论分析表明，该方法可在不同误差尺度下提供自适应且有界的梯度权重，有效平衡多损失项间的梯度，并抑制由高频结构或噪声扰动引起的优化振荡。数值实验在多种典型偏微分方程（PDE）（包括Boussinesq方程、Helmholtz方程和Klein-Gordon方程）上验证了其在收敛效率、求解精度和噪声鲁棒性上的显著优势。

  来源：Communications in Nonlinear Science and Numerical Simulation

  时间：2026-03-02

• 基于人工智能的纺织废料在石膏中回收性能预测与优化：机器学习与元启发式方法

  本文针对建筑行业对高性能、可持续材料的需求，提出了一种整合工业纺织废料（TW）的自流平石膏复合材料开发新策略。研究团队通过实验表征与计算模型（DNN-IGWO-CV、GA）相结合的混合方法，系统评估了TW含量与W/P比对石膏流变、力学、耐久及热学性能的影响。结果表明，低剂量TW（0.25-1 wt%）的掺入可显著提升复合材料力学强度与隔热性能，但会降低其工作性，揭示了性能间的权衡关系。该研究不仅为纺织废料的资源化利用提供了创新路径，也为数据驱动的可持续建筑材料设计与优化提供了方法论支持。

  来源：Case Studies in Construction Materials

  时间：2026-03-02

• 基于深度学习的分布式微波功率传输：仿真与实验

  为解决分布式微波功率传输中传统相位优化算法计算耗时、无法满足实时应用的问题，该研究提出了一种基于深度神经网络（DNN）的相位预测方法。研究利用预训练的DNN模型，根据接收器位置直接预测最优发射相位，从而消除了反复迭代搜索的需要。仿真和实验（使用4×4系统）验证了该方法在保持与最优基准方法接收功率差距小于1 dB的同时，将平均计算时间降低了超过99%，为实时、嵌入式DMPT系统提供了一种高效的解决方案。

  来源：Alexandria Engineering Journal

  时间：2026-03-02

知名企业招聘：