-
鲜味能否调节酸味,从而提升消费者的喜好?一项基于脑电图(EEG)的神经美食学研究
酸味-鲜味交互通过EEG分析揭示大脑区域(如顶叶至右侧颞叶)在900-1600ms和4600-6300ms时窗呈现δ、α、β频段增强激活,与味觉感知潜伏期延长及餐后喜好度提升显著相关,为食品风味优化提供神经证据。
来源:International Journal of Gastronomy and Food Science
时间:2026-04-24
-
基于改进VMD–CNN–LSTM耦合模型的泵站机组机械故障智能诊断
针对泵站机组长期高负荷运行中机械故障频发、传统诊断方法在变分模态分解(VMD)参数自适应优化、模态混叠及时空特征表征不足等方面的挑战,本项研究提出了一种基于改进VMD–CNN–LSTM耦合模型的智能故障诊断新框架。通过结合鱼鹰优化机制和柯西变异算子的增强麻雀搜索算法(OCSSA)自适应优化VMD参数,并构建CNN–LSTM混合架构进行时空联合建模。实验表明,在5 dB低信噪比条件下,该模型对转子不对中、碰摩等典型故障的诊断准确率达80.95%,较基准CNN–LSTM模型提升12.72个百分点,显著降低了复杂耦合故障的误诊率,为泵站机组的智能运维提供了可靠且可部署的解决方案。
来源:Frontiers in Signal Processing
时间:2026-04-24
-
综述:运动员运动决策中的脑电图:一项范围综述
本综述通过对29项研究的系统梳理,提出了运动决策的三层次认知层级模型(内部计划、外部知觉、反应抑制),挑战了单一的“神经效率”假说,指出专家优势源于神经资源的动态情境优化。本文不仅为理解运动决策提供了统一理论视角,更为其未来应用(如精准认知训练)规划了具体的转化路径。
来源:Frontiers in Psychology
时间:2026-04-24
-
青春期体适能与体感脑反应的关系:一项针对非运动员青少年的体感诱发电位(SEP)初步研究
为解决非运动员青少年体适能与体感加工神经机制不明的问题,研究者检测了36名青少年的体适能指标与SEP振幅。结果发现两性存在特异性关联:男生Fz N30振幅与综合体能、短跑及仰卧起坐正相关;女生C3' N27振幅与立定跳远负相关,揭示了青春期体适能神经基础的性别差异。
来源:Frontiers in Sports and Active Living
时间:2026-04-24
-
面向FRCM-混凝土界面粘结性能的数据增强概率框架:不确定性量化与可解释性分析
本研究针对FRCM-混凝土界面粘结强度预测中数据稀缺及不确定性量化缺失的问题,集成CTGAN/TVAE合成数据生成、BNN/NGBoost概率建模及SHAP可解释性分析,构建了高精度预测模型(测试MAPE≈7.61%)并开发了DAB-FRCM在线设计软件,为结构加固提供风险感知决策支持。
来源:ADVANCED ENGINEERING INFORMATICS
时间:2026-04-24
-
多微电网电压控制的约束感知多智能体强化学习框架:对抗性训练与拓扑感知协同提升系统韧性
针对多微电网在虚假数据注入(FDI)攻击下面临电压失稳的严峻挑战,作者团队提出一种约束感知的多智能体强化学习(CAMARL)框架。该研究结合图神经网络(GNN)实现拓扑感知状态表征,并融合周期性对抗训练与动态拉格朗日乘子以实现约束强制执行。实验表明,CAMARL在正常和受攻击条件下均实现了最低的电压偏差,保持了超过99.6%的约束满足率,并在最恶劣的复合攻击下仍保有87.4%的约束满足率,显著提升了多微电网系统的韧性和电压控制可靠性。
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY
时间:2026-04-24
-
K折交叉验证的风险上界控制:一种面向小样本异构数据融合的稳健模型选择方法(K-fold CUBV)
为解决小样本、异构数据融合场景下K折交叉验证(CV)易产生假阳性、低估真实风险的问题,本研究提出结合浓度不等式的K折交叉验证风险上界(K-fold CUBV)方法。通过推导PAC-Bayesian上界,该研究实现了对线性分类器实际风险的稳健估计,有效控制了推理中的假阳性率,为神经影像等领域的机器学习模型验证提供了新范式。
来源:Information Fusion
时间:2026-04-24
-
林业精细粒度融合网络(FFGF-Net):基于无人机影像的树种高精度分类
为应对森林场景树种细粒度分类存在类内差异大、类间差异小、环境噪声复杂的挑战,南京林业大学周旋子等研究人员提出了一种名为“林业精细粒度融合网络(FFGF-Net)”的架构,该网络集成了冠层局部特征提取、多尺度纹理建模和级联注意力降噪三个创新模块。实验结果表明,FFGF-Net在自建数据集NJFUTreeData上取得了75.00%的总体精度,在公共数据集ETH上更是达到了94.75%的优异性能,显著优于包括CNN、Vision Transformer在内的多种先进模型。本研究为自动化森林资源调查、生态监测和智慧林业应用提供了坚实的技术基础。
来源:International Journal of Applied Earth Observation and Geoinformation
时间:2026-04-24
-
基于多平台多模态遥感数据的土壤属性预测多级小波深度学习研究
在精准农业中,准确预测田块尺度的土壤属性对维持土壤功能和发展特定地点施肥策略至关重要。无人机高分辨率空间信息与中分辨率卫星观测在空间支持、特征表达和信息密度上存在差异,传统多源土壤制图方法难以协同捕捉田内异质性并保持区域可移植性。针对此,本研究提出了一种将多级小波卷积神经网络与Lasso引导的通道重加权机制相结合的集成框架MW-CNN-L。该框架可有效学习和融合无人机与卫星影像信息,在多模态输入下突出对土壤属性预测至关重要的光谱、纹理和结构特征。研究结果表明,融合无人机的策略相比纯卫星策略,在MW-CNN-L模型下R2平均提升0.05,RPIQ提升0.26,RMSE降低0.98 g kg−1,验证了融合无人机空间信息对农场尺度预测的必要性。模型在区域尺度验证中达到了R2为0.73,RMSE为6.71 g kg−1的表现,显示出合理的跨域可移植性。该研究为通过整合多平台、多模态信息进行土壤制图提供了一个结构化框架,并为跨尺度制图提供了新思路。
来源:International Journal of Applied Earth Observation and Geoinformation
时间:2026-04-24
-
跨语言预训练模型在英语机器翻译中的研究:赋能低资源语言的桥梁构建
为解决中低资源语言到英语翻译中平行数据稀缺、领域不匹配、泛化能力差等核心瓶颈,Yingting Zhang等研究者系统评估了mBART-50、mT5-large、NLLB-200-distilled等前沿跨语言预训练模型。研究表明,通过有监督微调、零样本和少样本迁移,NLLB-200-distilled-600M模型在Flores-200等低资源测试集上,平均SacreBLEU得分较传统Transformer基线提升13.6分,在零样本场景下仍保持可用性能(平均BLEU 24.8)。该工作为构建包容、可扩展的高效多语言翻译系统提供了强有力的科学指导和技术路径。
来源:Franklin Open
时间:2026-04-24