-
Spreading Root Sign:内侧半月板后根撕裂的早期前兆——一例病例报告
Spreading Root Sign是近期被提出的预测内侧半月板后根撕裂(medial meniscus posterior root tear, MMPRT)的指标,但目前仍未得到广泛识别。本病例报告强调了忽视该征象的严重后果。一名68岁女性因左膝疼痛就诊
来源:Arthroskopie
时间:2026-04-03
-
基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC仓室模型用于从部分观测确诊病例推断未确诊感染及流行病参数
研究人员提出一种基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC(Susceptible–Unconfirmed–Confirmed)仓室模型框架,用于仅根据观测到的确诊病例时间序列C(t)推断隐藏
来源:Healthcare Analytics
时间:2026-04-03
-
社区层面光伏发电量分摊的概率估计
摘要: 家用光伏(PV)系统在配电网中的日益普及增加了净负荷的不确定性和波动性。为了更好地预测和管理这种变化,并考虑到光伏发电在本地电力系统中的周期性和不确定性,本文提出了一种两阶段非参数概率估计方法——残差分位数模型(Residual Quantile Model),该方法基
来源:Journal of Modern Power Systems and Clean Energy
时间:2026-04-03
-
量子计算在预测性运输建模中的应用:系统文献综述与未来研究需求
摘要: 在交通运输领域进行建模对于规划和运营当前及未来的移动性和物流系统至关重要,这对现代经济具有重大影响。然而,许多建模任务涉及计算复杂的问题,这些问题对传统模型和预测技术构成了挑战。量子计算为解决这些难题提供了一种有前景的方法。这篇系统性的文献综述探讨了将量子计算应用于交通
来源:IEEE Transactions on Intelligent Transportation Systems
时间:2026-04-03
-
用于在线学生表现分析的联邦图表示学习
Rasool Seyghaly、Jordi Garcia 和 Xavi Masip-Bruin
摘要
来源:Electronics
时间:2026-04-03
-
结构级跨域推荐中的超项交互与对比学习
跨域推荐旨在利用多领域知识以缓解数据稀疏性和冷启动问题。尽管传统的跨域设置通常涉及语义领域(例如电影与书籍),但近期研究已扩展至反映不同类型交互图的结构级领域。为此,研究人员提出了一种用于结构级跨域推荐的超项交互与对比学习框架(SI2CL),该框架旨在探索项级
来源:IEEE Computational Intelligence Magazine
时间:2026-04-03
-
模块化图卷积网络(Modularized Graph Convolutional Network, MGCN)
编辑您好:本函提出一种新颖的图神经网络——模块化图卷积网络(Modularized Graph Convolution Network, MGCN),旨在解决图卷积网络(Graph Convolutional Network, GCN)中一个未被充分探讨的问题
来源:IEEE/CAA Journal of Automatica Sinica
时间:2026-04-03
-
考虑多态不确定性的纤维铺放加筋板屈曲设计优化的神经网络方法
研究人员提出了一种基于人工神经网络(ANN)的多级代理模型策略,用于解决考虑多态不确定性的纤维铺放加筋板屈曲设计优化问题。该方法旨在同时处理随机几何缺陷、模糊纤维路径以及材料参数的不确定性。通过结合Karhunen-Loève展开(KLE)与多项式混沌展开(P
来源:COMPOSITE STRUCTURES
时间:2026-04-03
-
采用层级物理循环神经网络(Hierarchical Physically Recurrent Neural Network, HPRNN)的机织复合材料多尺度分析
机织复合材料(woven composites)的多尺度均匀化(multiscale homogenization)需进行细致的微力学评估,导致计算成本极高。基于神经网络的 data-driven 替代模型(surrogate models)可解决此难题,但通
来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING
时间:2026-04-03
-
拓扑机械神经网络(Topological Mechanical Neural Networks, TMNNs)作为通过原位反向传播学习实现分类器的物理神经网络
摘要:近期,物理神经网络(Physical Neural Networks, PNNs)利用固有物理过程进行学习已成为计算领域的新前沿。本文受拓扑超材料中量子自旋霍尔效应(Quantum Spin Hall Effect, QSHE)启发,提出用于机器学习二分
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING
时间:2026-04-03