• 基于协同注意力-残差网络的锂离子电池剩余使用寿命预测中的自适应泛化

  摘要

  来源：Batteries

  时间：2026-06-29

• 《深度学习数学》特刊第二部分的特邀社论 [来自特邀编辑]

  深度学习是机器学习和信号处理领域中的一个研究方向，已有近40年的发展历史。在过去的10年里，它在语音转文本、图像识别、图像生成以及语言生成等任务上的进展十分显著。这一飞速的发展得益于各种创新的工程技术和算法突破。起初，试图找出能够解释这些卓越性能提升的基本原理的理论发

  来源：IEEE Signal Processing Letters

  时间：2026-06-29

• 基于宽度学习(Broad Learning System, BLS)的非对称神经网络工业过程异常监测快速模型

  摘要：工业过程为智能制造提供核心驱动力。实测数据具有非线性(nonlinear)与非高斯(non-Gaussian)特性，且传感器采样频率高，在实际工况下直接采用多元统计方法难以获得理想的异常检测(Anomaly Detection, AD)效果。因此，研究人

  来源：IEEE Transactions on Aerospace and Electronic Systems

  时间：2026-06-29

• 通过谱白化和倒谱处理利用可穿戴传感器心电图改善癫痫发作预测

  癫痫发作的不可预测性仍然是癫痫最具致残性的特征之一，对患者的生活质量有重大影响。脑电图(EEG)传统上用于诊断癫痫发作；然而，由于传感器可见性相关的污名化，脑电图对于癫痫发作预测并非一个可行的解决方案。在本研究中，研究人员验证了使用心电图(ECG)作为基于脑电

  来源：IEEE Transactions on Aerospace and Electronic Systems

  时间：2026-06-29

• CST-GCNN：用于精神分裂症分类的时空连接组图网络

  精神分裂症（Schizophrenia，SCZ）日益被视为一种大规模脑网络连接失调的疾病，然而现有的机器学习和基于图的模型通常依赖于静态连接性表征，无法捕捉其动态和多关系特性。本研究通过引入一种连接组时空图卷积神经网络（Connectome Spatio-Te

  来源：IEEE Transactions on Aerospace and Electronic Systems

  时间：2026-06-29

• 基于最优闭环动态能源价格控制的数据驱动型需求侧能源市场管理模型

  间歇性可再生能源（renewable energy）占比的持续提升，使现代电力市场中维持供需平衡成为关键挑战。为应对这一问题，本研究提出了一种数据驱动的需求侧市场管理框架，将基于人工神经网络的价格–需求模型与闭环动态能源价格控制器相结合。该人工神经网络（ANN

  来源：Engineering Science and Technology, an International Journal

  时间：2026-06-29

• 综述：神经肿瘤学中的神经调控：一项范围综述

  背景：神经调控是一个快速发展的领域，其在神经肿瘤学中的应用正受到越来越多的关注，尤其是EF-14试验证实肿瘤治疗电场（TTF）可为胶质母细胞瘤患者带来生存获益之后。此外，新兴的癌症神经科学领域提出了神经-肿瘤通讯在肿瘤病因中的作用假说，该机制理论上可通过神经调

  来源：Journal of Personalized Medicine

  时间：2026-06-29

• 神经肌肉电刺激对夜间腿部痉挛成人痉挛阈频率与疼痛的影响：基于肌电图（EMG）评估的随机对照试验

  背景：肌肉痉挛是突发性、疼痛性且可反复发生的收缩，可能干扰身体活动和日常生活。尽管牵伸常被用于缓解痉挛，但神经肌肉电刺激（NMES）的有效性尚未得到充分证实。 目的：本研究旨在探讨神经肌肉电刺激（NMES）对无明确基础疾病、但有夜间腿部痉挛病史个体的痉挛阈

  来源：Healthcare

  时间：2026-06-29

• 掺钢渣(Steel Slag, SS)、粒化高炉矿渣粉(Ground-Granulated Blast-Furnace Slag, GGBS)及纤维的生态高效再生骨料混凝土(Recycled Aggregate Concrete, RAC)的研制——力学性能及基于人工智能技术的强度预测

  再利用工业副产品制备再生骨料混凝土（Recycled Aggregate Concrete, RAC）是一种可保护生态环境的可持续途径。本研究探讨了掺入钢渣（Steel Slag, SS）、粒化高炉矿渣粉（Ground-Granulated Blast-Fur

  来源：Materials

  时间：2026-06-29

• MTKD-RL：基于强化学习面向少样本节点分类的多教师知识蒸馏(Multi-Teacher Knowledge Distillation, MKD)方法

  摘要：少样本节点分类(Few-Shot Node Classification, FSNC)旨在利用极少标注样本有效预测新类别节点，是图数据挖掘中的重要研究方向。现有基于自训练(self-training)的FSNC方法受限于单一教师模型的偏差与局部最优；而多

  来源：Computers

  时间：2026-06-29

知名企业招聘：