• 低压电网基于神经网络的状态估计器中的输出到应用误差传播问题

  摘要：在低压配电网中，由于测量数据有限、运行状态不平衡以及计算负担较大，状态估计是一项具有挑战性的任务。尽管近期基于神经网络的估计器在电压幅值估计方面表现出较高精度，但其在下游应用中的可靠性仍需进一步研究。本文提出了一种多任务神经网络框架，利用有限的测量数据来估计欧洲型三相四线不

  来源：IEEE Transactions on Smart Grid

  时间：2026-06-12

• 采用地址-事件-μ数据包编码及占空比控制IR-UWB发射器的压缩型神经遥测技术

  摘要：本文介绍了一种用于384传感器像素神经数据采集的联网无线遥测系统，该系统旨在实现高吞吐量、低功耗以及较远的通信距离。所提出的基于事件的地址-事件-脉冲包（AEμ P）编码器采用差分二进制相移键控调制方式，能够在不降低传输距离和神经信号准确性的前提下，解决神经遥测中吞吐量与功

  来源：IEEE Microwave Magazine

  时间：2026-06-12

• 基于SHAP可解释性深度神经网络与SMOTE过采样的医疗行业员工离职(Attrition)预测研究

  摘要：研究人员提出一种端到端、具Shapley加性解释(SHAP, Shapley Additive exPlanations)可解释性的深度神经网络(Deep Neural Network, DNN)框架，用于预测医疗行业员工离职(Attrition)，以解

  来源：Frontiers in Public Health

  时间：2026-06-12

• 面向交通流预测的时空特征融合与小样本学习框架：跨城市知识迁移方法

  针对城市交通网络的精准交通预测面临四项基础挑战：（1）跨城市与跨时间变化的非线性时空相关性；（2）由于传感器覆盖稀疏而导致的新部署区域数据稀缺；（3）扩展至大规模都市网络时的计算低效；以及（4）阻碍跨城市泛化的异质性道路拓扑。研究人员提出 ST-FSFusio

  来源：Energy and AI

  时间：2026-06-12

• 用于腐蚀能源管道失效压力可靠预测的物性嵌入人工智能（Physics-Informed Artificial Intelligence, PINN）

  腐蚀能源管道失效压力（failure pressure, Pb）的准确预测对全球油气输送系统的安全可靠运行至关重要。虽然数据驱动的机器学习模型展现出较高预测精度，但因缺乏嵌入的物理机制而导致物性一致性和泛化能力不足。针对此问题，研究人员开发了将数据驱动学习与力

  来源：Energy and AI

  时间：2026-06-12

• 可解释且公平的混合CNN框架用于自动化皮肤状况分类及鲁棒性分析

  人工智能（AI）越来越多地被用于皮肤病学图像分析；然而，许多现有系统仍然是黑箱预测器，并且可能在不同肤色间表现出性能差异，限制了临床信任和部署。本研究探索了一种任务特定的混合卷积神经网络（CNN），该网络结合了ResNet50V2和MobileNetV2，以在

  来源：Franklin Open

  时间：2026-06-12

• 面向精确连续体机器人运动的机器学习与实验验证

  解决多段连续体机器人的逆运动学问题充满挑战，由于结构冗余，通常导致数据驱动模型产生冲突的训练标签。本研究提出一种新颖的离散解析框架，通过建立末端执行器位置与缆绳长度之间的双射（bijective）确定性映射，解决了这一“自运动流形”（self-motion m

  来源：Franklin Open

  时间：2026-06-12

• 基于电导神经元中参数化延迟反馈的极限环增殖：分岔图景、轨道目录与容量分析

  研究人员证明，单个具有Pyragas型延迟反馈控制（Delayed Feedback Control, DFC）的霍奇金-赫胥黎（Hodgkin-Huxley, HH）神经元能够以稳定周期轨道的形式存储多个符号，其中特定轨道通过调节DFC增益K和时间延迟τ进行

  来源：Entropy

  时间：2026-06-12

• 面向具有未知时变侧滑角的欠驱动无人水面艇路径跟随的预测自适应视线制导控制

  本文针对欠驱动无人水面艇（Unmanned Surface Vehicles, USVs）的路径跟随控制问题开展研究，并提出了一种基于预测自适应视线制导（Predicted Adaptive Line-of-Sight, PALOS）的控制方案。在制导层，引入

  来源：Actuators

  时间：2026-06-12

• 基于聚类与序列预测的两阶段微卫星热模式识别与故障检测框架

  微卫星在严酷的物理约束下运行于高度动态的热环境中，使得温度遥测成为关键的在轨健康指标。传统的基于阈值的监测方法无法区分正常运行模式转换与真实故障，导致过多的误报。为此，研究人员提出了一种两阶段框架，将无监督热模式发现与模式特异性深度学习预测相结合。原始温度遥测

  来源：Aerospace

  时间：2026-06-12

知名企业招聘：