-
深度学习在多层多道焊接过程中对焊缝几何形状的预测
焊接几何预测的卷积神经网络方法研究,考虑初始形状和焊接参数的影响,构建多材料数据集验证模型性能,实现R²=0.94和82.4%几何重叠。
来源:Engineering Applications of Artificial Intelligence
时间:2026-04-20
-
一种精确且高效的神经形态计算框架,结合UKF辅助的脉冲循环神经网络用于无人机故障检测
无人机故障诊断中提出基于无迹卡尔曼滤波(UKF)增强的漏失积分与火(LIF)神经元的神经形态框架,通过事件驱动稀疏计算实现97.37%检测精度,较传统LSTM模型提升2.25%,计算资源消耗降低90%,可在树莓派4B等边缘设备实时运行。
来源:Digital Signal Processing
时间:2026-04-20
-
识别帕金森病患者平衡感知与平衡能力之间不一致的预测因素
帕金森病患者平衡不一致与感知健康、抑郁焦虑相关,横断面分析显示改善感知健康、心理状态可降低跌倒风险。
来源:Journal of Neurologic Physical Therapy
时间:2026-04-20
-
FDENN:基于特征增强深度弹性神经网络的机电执行器电力电子健康指标提取方法
电机械作动器(EMA)的电力电子部件退化过程研究及其健康指标提取方法。摘要:针对EMA电力电子传感器不足导致特征提取受限的问题,提出基于混合逻辑动态模型与深度弹性神经网络的FDENN方法,通过仿真与实测验证其高效提取健康指标的能力。
来源:IEEE/ASME Transactions on Mechatronics
时间:2026-04-20
-
基于图表示的流量特征分析实现B5G/6G网络中面向设备类型的高效网络控制
为应对B5G/6G网络中智能设备与IoT设备需求多样化带来的网络控制挑战,研究人员开展了基于图神经网络(GNN)的加密流量分类研究。该方法仅利用数据包大小和到达间隔时间构建图表示,有效识别连续、突发和稀疏等流量特征,在短时流量分类中展现出高准确性,为实现按设备类型的精细化网络控制提供了新思路。
来源:IEICE Transactions on Communications
时间:2026-04-20
-
基于增强卷积的Transformer弱监督语义分割方法(ECCAM)
为解决弱监督语义分割(WSSS)中CNN仅激活显著区域、Transformer存在背景噪声及Conformer并行结构交互弱的问题,研究人员开展了基于增强卷积的ECCAM模型研究。通过引入DStem、CFFN和FCUConv模块,在PASCAL VOC 2012数据集上取得了70.2%的mIoU,显著提升了伪标签质量。
来源:Journal of Systems Engineering and Electronics
时间:2026-04-20
-
当信号处理邂逅深度学习:数学桥梁、前沿交叉与未来挑战
本专题旨在捕捉信号处理(SP)与深度学习(DL)学科之间的关键接触点,以勾勒出未来核心问题与挑战的数学图景。本期收录的文章展示了SP领域的思想如何在DL数学中扮演关键角色,涵盖了从稀疏性、自适应理论、概率图模型、脉冲神经网络到随机矩阵与张量理论等一系列主题,为建立可解释、鲁棒且高效的数据驱动算法提供了深刻的跨学科见解。
来源:IEEE Signal Processing Letters
时间:2026-04-20
-
摩根健康与NANS 2026前瞻:疾病全周期管理、闭环神经调控与AI编程驱动的MedTech投资新范式
本刊基于2026年J.P. Morgan健康大会与北美神经调控学会(NANS)年会信号,剖析医疗行业向“疾病全周期管理”的战略转型。研究指出,资本正从高风险早期资产转向成熟期、低风险的心血管与神经调控赛道,强调闭环系统、生物标志物及AI编程等硬科技驱动,为医工交叉与投资决策提供风向标。
来源:IEEE Pulse
时间:2026-04-20
-
融合多维空间特征的渐进式多任务图神经网络模型及其在建筑物年龄预测中的应用研究
为解决现有建筑物年龄预测方法在考虑多维空间特征不足、样本分布不平衡和深层语义特征提取不充分等问题,研究人员提出一种基于渐进式多任务学习的图神经网络(PMTGNN)框架。该研究整合了多源地理空间数据,构建了涵盖几何、视觉、居民感知和社会经济四个尺度的特征指标体系,并引入建筑高度估计和功能分类作为辅助任务,提升了模型在样本不平衡下的泛化能力。最终,以常州为案例,模型成功填补了51,281栋建筑的年龄缺失信息,准确率和F1分数分别提升了至少6.9%和5.4%,为城市规划提供了可靠的数据支持。
来源:International Journal of Applied Earth Observation and Geoinformation
时间:2026-04-20
-
基于图神经网络与函数级依赖建模的软件漏洞检测方法SCVdet
本文聚焦于当前基于AI的软件漏洞检测(SVD)模型普遍存在的局限性:将源代码函数视为孤立单元进行分析,忽略了函数间的相互依赖关系,从而导致跨函数边界的安全风险传播模式难以被捕捉。为此,研究团队提出了一种名为SCVdet的新方法,该方法基于图注意力网络(GAT),并创新性地通过聚类技术近似构建函数级依赖图,将全局项目级分析与局部代码语义分析相结合。实验在多语言数据集上验证了该方法的有效性,在函数级和语句级漏洞检测的F1分数上最高分别提升了16%和7%。这项研究为提升AI模型在复杂软件系统中的漏洞感知与传播路径识别能力提供了新思路。
来源:Engineering Applications of Artificial Intelligence
时间:2026-04-20