• 58个雨养玉米品种籽粒中淀粉含量的近红外光谱无损检测建模

  传统测定玉米籽粒淀粉含量的方法劳动强度大、具有破坏性且效率低下。为克服这些挑战，本研究基于近红外高光谱成像，开发了一种快速、无损的方法，应用于58个雨养玉米品种。采用结合小波变换（WT）、多元散射校正（MSC）和标准正态变量变换（SNV）的光谱预处理方案来增强

  来源：Foods

  时间：2026-07-25

• 心智与代码之争：对人工智能生成与人类制作视频广告的神经生理反应与质性反应的三角互证分析

  本实验研究比较了消费者对人工智能（AI）生成广告与人类创作广告的参与方式，重点考察视觉注意模式、情绪与认知反应、对人工智能（AI）的态度，以及情绪共鸣是否会促进品牌信任或未来行为意向。研究采用双加工理论（dual-process theory）与算法厌恶理论（

  来源：Psychology & Marketing

  时间：2026-07-25

• 方向性潜在杂交：非线性超材料物理信息生成逆设计中超越随机噪声

  传统的超材料逆设计受到随机生成模型的阻碍，这些模型缺乏物理基础，且常常无法达到最优性能。在此，研究人员介绍了一个框架，该框架将物理信息神经算子（DeepONet）和3D几何生成器（3D-cVAE）与方向性潜在杂交（DLH）策略相结合。通过在潜在空间中融合父代几

  来源：Advanced Materials Technologies

  时间：2026-07-25

• 分期外侧腰椎椎间融合术联合微创后路螺钉固定术，伴或不伴关节突切除术，用于退变性脊柱畸形的冠状面和矢状面矫形：一项回顾性队列研究

  摘要：引言：退变性脊柱畸形（DSD）中的冠状面失衡（CI）难以矫正，尤其是当分节段曲线（FC）僵硬且腰骶基底倾斜时。研究问题：分期外侧腰椎椎间融合术（LLIF）联合靶向微创后路矫正是否与逐步的冠状面和矢状面矫形以及随访时冠状面对线的维持相关？材料与方法：研究人

  来源：Brain and Spine

  时间：2026-07-25

• CD-TrGNN：面向ISAR空间目标姿态估计的复域Transformer-图神经网络

  在地基空间监视中，空间目标姿态估计对于空间态势感知至关重要，然而现有基于逆合成孔径雷达（ISAR）图像的方法存在三个核心局限：在仅幅度处理中相位信息被丢弃，卷积神经网络具有受限的全局感受野，且卫星组件的物理拓扑未被显式建模。为解决这些问题，研究人员提出了一种复

  来源：Sensors

  时间：2026-07-25

• 严格递归闭环评估温室气温预测，使用生成的外生变量和外生误差传播分析

  精确的多步预测温室气温对于基于传感器的环境监测和面向控制的决策支持至关重要。然而，传统的评估方法通常依赖于开环或半闭环设置，其中未来观测值在实际部署中可能不可用。本研究利用多源环境传感数据，建立了一个严格的递归闭环预测协议和一个外生误差传播分析框架。研究人员开

  来源：Sensors

  时间：2026-07-25

• 体力应激条件下SD-ΔRR识别糖尿病感觉运动性多发性神经病变的诊断效能

  目的 本研究旨在评估SD-ΔRR作为一种新型短时程心率变异性（heart rate variability，HRV）评估方法，在糖尿病患者中诊断糖尿病感觉运动性多发性神经病变（diabetic sensorimotor polyneuropathy，DSPN

  来源：Journal of Diabetes Investigation

  时间：2026-07-25

• 综述：从黑箱到清晰：深度卷积神经网络中可解释性方法的系统综述

  深度神经网络（DNNs）显著提升了机器感知与推理能力，但其决策过程缺乏透明度，尤其在医疗、金融和法律等高影响领域构成重大挑战。卷积神经网络（CNNs）的黑箱特性尤为令人担忧，因为其决策依据与决策本身同等重要。本文围绕一个易于提出却难以回答的问题展开：如何使CN

  来源：Machine Learning and Knowledge Extraction

  时间：2026-07-25

• 巴西2008–2023年儿童神经纤维瘤病与恶性外周神经鞘瘤死亡情况：一项关于持续不平等的16年全国分析

  目的：神经纤维瘤病（Neurofibromatosis, NF）是一组累及多系统的遗传性肿瘤易感综合征，但在中等收入国家中儿童死亡率数据仍较匮乏。恶性外周神经鞘瘤（Malignant Peripheral Nerve Sheath Tumors, MPNST）

  来源：Child's Nervous System

  时间：2026-07-25

• 图像处理中深度学习的综述：发展、应用与挑战

  摘要深度学习模型在计算机视觉领域的快速发展，得益于其能够将特征表示与任务推理整合到端到端的自动化框架中，从而超越了传统的手动特征工程方式。本综述根据核心组件（卷积型与注意力型）将深度学习模型分为卷积神经网络、视觉变换器以及混合模型，系统梳理了这些模型的技术发展历程，并对其优势与局

  来源：ARTIFICIAL INTELLIGENCE REVIEW

  时间：2026-07-25

知名企业招聘：