• 受外部干扰和输入饱和约束的不确定非线性系统自适应固定时间跟踪控制

  摘要：本文研究了一类受外部干扰和输入饱和约束的不确定非线性系统的固定时间跟踪控制问题。首先，利用微分同胚映射将原始被控对象转化为相应的跟踪误差动力学系统。采用径向基函数神经网络对系统固有的未知非线性不确定性进行集总近似。为了抵消输入饱和引起的不利影响，进一步构建了一个辅助补

  来源：IEEE Access

  时间：2026-10-23

• 基于可解释机器学习模型识别突发性感音神经性听力损失成人焦虑症状的开发与时间验证研究

  中文翻译： 背景： 突发性感音神经性听力损失（SSNHL）可能伴随显著的心理困扰，然而机器学习研究主要集中在听力恢复而非急性期护理中的焦虑问题。 目的： 开发、内部验证、时间评估并解释机器学习模型，用于识别因首次发作SSNHL住院的成年患者在初始治疗后、出院前

  来源：Frontiers in Public Health

  时间：2026-10-23

• 端到端压缩学习模型优化角度分辨散射测量采样用于纳米草缺陷检测

  纳米表面的可靠检测对于确保纳米结构制造质量至关重要。角度分辨散射测量（Angle-Resolved Scatterometry, ARS）提供了一种可用于在线检测的非侵入式检测方法，但常因密集角度采样而导致采集时间较长。本文针对该数据采集挑战，提出了一种端到端

  来源：IEEE Aerospace and Electronic Systems Magazine

  时间：2026-10-23

• 基于多智能体仿真的异构边缘深度神经网络分布式学习通信拓扑与精度—通信成本权衡研究

  在边缘设备上训练深度神经网络（DNN）可降低时延并保护隐私，但有限的计算与带宽需要在准确率与处理时间之间进行权衡。该研究使用深度学习多处理（DLMP）智能体仿真框架，对异构边缘条件下的分布式深度学习协调进行建模，并量化通信成本与准确率之间的权衡。DLMP是一种

  来源：SIMULATION

  时间：2026-10-23

• 多预测视野单变量环境预测中全球层次神经架构（N-BEATS/N-HiTS）的推断优势与视野稳定性：基于统计严谨框架的大气污染物模型比较

  1. 提出一种具有统计严谨性的多预测视野（multi-horizon）模型评估框架。 2. 推断优势（inferential dominance）支持稳健的模型间比较（model intercomparison）。 3. 全球层次神经模型（global hie

  来源：Computers & Chemical Engineering

  时间：2026-10-23

• CAPN3基因中反复出现的3'UTR变异突显了非编码变异在肢带型肌营养不良诊断中的意义

  摘要 目的 相当大比例的疑似遗传性疾病患者，包括神经肌肉疾病患者，缺乏明确的分子诊断。非编码变异，尤其是位于3'非翻译区（3'UTR）的变异——该区域调控mRNA稳定性、翻译和定位——可能是造成这一诊断缺口的原因之一。我们调查了CAPN3基因中一种新型3'UTR变异在

  来源：Annals of Neurology

  时间：2026-10-23

• 神经退行性疾病中的受体特异性内质网吞噬作用：分子机制与新兴的治疗机会

  •内质网自噬通过溶酶体清除有毒蛋白质聚集体和受损的内质网片段来维持蛋白质稳态。•长期的内质网应激和受损的内质网自噬会促进神经毒性蛋白质聚集体的积累。•特化的内质网自噬受体通过LIR基序靶向内质网亚区进行自噬清除。•包括化学伴侣、纳米制剂和基因治疗在内的间接药理学策略是可行的神经保

  来源：Ageing Research Reviews

  时间：2026-10-23

• SOFEx：一种基于脑电数据集检测轻度认知障碍和阿尔茨海默病的自组织特征提取方法

  摘要轻度认知障碍（MCI）与阿尔茨海默病（AD）的早期鉴别诊断仍然困难，因为诊断需要整合认知、影像学、实验室和神经学证据。基于脑电图（EEG）的模型可能提供互补信息，但固定的特征描述可能无法捕捉与信号相关的结构。为此，开发了SOFEx作为一个自适应且可解释的EEG特征工程框架

  来源：Brain Topography

  时间：2026-10-23

• 基于MRI测得的肌肉脂肪比例可反映1A型Charcot–Marie–Tooth病的疾病严重程度及功能受损情况

  摘要 引言/目的 进行性肌肉内脂肪浸润是Charcot–Marie–Tooth病1A型（CMT1A）神经肌

  来源：Muscle & Nerve

  时间：2026-10-23

• SDCBNet：一种用于激光雷达语义分割的稀疏到密集圆柱-BEV融合网络

  •SDCBNet：一种用于激光雷达分割的新型柱体-BEV双流网络。•多阶段注入在稀疏分布下增强了全局上下文。•SDFA模块稳健地聚合稀疏柱体特征与密集BEV特征。•CRFS自适应地控制特征注入以抑制噪声并提升精度。•在自采集的16线数据集上进行零样本测试，验证了其在真实场景中

  来源：Neural Networks

  时间：2026-10-23

知名企业招聘：