• 面向带约束最短路径问题的端到端图嵌入强化学习

  最短路径问题（SPP）带有约束时，是运筹学与物流中一个基础但计算上难以处理的NP-hard挑战。传统优化算法，包括精确方法和近似方法，在大规模实例上往往存在难以承受的计算时间和严重的可扩展性瓶颈。相比之下，新兴的神经组合优化（NCO）方法具有快速推理的潜力，但

  来源：Mathematics

  时间：2026-08-29

• 基于Hermite变换与图像化框架的胎儿心音信号胎儿心率估计混合深度学习模型

  胎儿监测中最关键的参数之一为胎儿心率(fHR)。鉴于该信号特性，学界已发展出多种无创监测技术，包括胎心宫缩监护(CTG)、多普勒超声心动图(Doppler Echo)、胎儿心电图(fECG)、胎儿心音图(fPCG)、胎儿磁心电图(fMCG)与胎儿光电容积描记(

  来源：Mathematics

  时间：2026-08-29

• 基于物理守恒PINN风场重构与图论DXF解析的复杂地形格构式输电塔端到端风致应力自动化模拟

  摘要 评估位于山脊线或鞍部的既有格构式输电塔能否在极端风况下幸存，需要同时回答三个问题：局部风场如何受周围地形影响而改变、遗留计算机辅助设计（CAD）图纸中记录的结构几何信息如何被精确恢复，以及哪一根构件首先失效及其失效机理。本文将物理信息神经网络（PIN

  来源：Applied Sciences

  时间：2026-08-29

• Spiking U-Mamba：结合SNN与U-Mamba的双路径超声心动图图像分割方法

  摘要：超声心动图中心脏的自动分割能够显著提升心脏功能评估的效率与有效性，并为临床诊断、治疗方案制定和疾病筛查提供客观、可重复的定量证据。医学人工智能领域已取得许多优秀成果；然而，仍存在改进空间，例如超声心动图中时间信息的利用。本文提出了Spiking U-Ma

  来源：Electronics

  时间：2026-08-29

• 人工神经网络在驾驶员道路标线理解建模中的应用研究

  道路标线在交通安全与交通流中发挥着至关重要的作用，然而其有效性完全依赖于驾驶员的理解水平。本研究旨在评估伊拉克纳杰夫市（Al-Najaf city）驾驶员样本的理解水平，并考察其个人特征对这些水平的潜在影响。尽管传统的线性统计方法已为驾驶员理解提供了基础性测量

  来源：Infrastructures

  时间：2026-08-29

• 基于多尺度协同与地貌分区建模的喀斯特地区森林地上生物量高精度反演

  准确量化中国西南喀斯特山区的森林生物量对于区域碳汇核算至关重要。然而，基于遥感的该区域森林生物量反演受到尺度效应和空间异质性的双重制约。本研究以高原喀斯特和峰丛洼地喀斯特两种典型喀斯特地貌为案例，构建了一种将多尺度协同（样地—小流域—区域）与地貌分区建模相结合

  来源：Systems

  时间：2026-08-29

• 统计学习与节奏能力在注意缺陷/多动障碍中的关系：个体差异重于群体效应（Statistical learning and rhythmic ability in Attention-Deficit/Hyperactivity Disorder: Individual differences outweigh group effects）

  语音切分（speech segmentation）是语言习得的基础，并受到统计学习（statistical learning, SL）的支持。关于SL的研究尚不确定其能否在注意范围之外发生，以及注意缺陷/多动障碍（Attention-Deficit/Hyper

  来源：Acta Psychologica

  时间：2026-08-29

• 一种5维分数阶双忆阻Hopfield神经网络：隐藏多涡卷吸引子、FPGA实现与图像加密

  与通常依赖单一忆阻突触的传统模型不同，本研究独创性地提出了一种由双忆阻调制的5维分数阶忆阻Hopfield神经网络（FOMHNN），以同时在类脑计算中模拟内部突触可塑性和外部电磁辐射效应。在解析上，FOMHNN具有多条带双零特征值的平行平衡线，严格证明了隐藏吸

  来源：Fractal and Fractional

  时间：2026-08-29

• : 基于双系统视角理解大学生生成式人工智能的强迫性使用：一种整合SEM-ANN-NCA的方法

  生成式人工智能（GAI）的强大能力推动了近年来其在高等教育中的应用。GAI提供了可观的益处，但其快速整合引发了对其强迫性使用的日益担忧，其特征为持续且无法控制的沉迷。强迫性GAI使用与不良的心理和学业结果有关，突显了理解与这种适应不良使用相关的因素的重要性。然

  来源：Acta Psychologica

  时间：2026-08-29

• 面向以太坊中多分类欺诈地址分类的可解释图神经网络

  区块链网络凭借加密货币交易的不可逆性和伪匿名性，已成为网络钓鱼和诈骗等欺诈活动的主要目标。现有以太坊欺诈检测研究通常将该问题建模为二分类任务，限制了其区分不同恶意行为的能力。本文提出了一种基于可解释图神经网络（Graph Neural Network, GNN

  来源：Future Internet

  时间：2026-08-29

知名企业招聘：