-
克林霉素预防可增加清洁开颅术后手术部位感染风险:基于倾向评分匹配的队列研究
这篇研究通过对12,347例患者的回顾性队列分析,证实了在清洁开颅术中,使用克林霉素(clindamycin)进行术前抗生素预防(antibiotic prophylaxis, ABP)相较于头孢唑林(cefazolin),显著增加了手术部位感染(surgical site infections, SSI)的风险(aOR = 2.52)和90天内因感染再次手术的几率(OR = 2.09),并识别了脑脊液漏(aOR = 38.51)、男性、ASA≥3、特定手术诊断及手术时长等独立风险因素。研究强烈支持在清洁开颅术中继续将头孢唑林作为首选,即使是报告青霉素过敏的患者。
来源:NeuroReport
时间:2026-03-17
-
一种多功能热生长Fe–W–O–S纳米复合忆阻器中的神经形态感知与计算技术
该研究设计了一种Fe–W–O–S纳米复合memristor,通过氧硫空位和Ag+离子协同导电机制,实现了低电压(<0.5V)、低能耗(50pJ/次)的多功能神经形态计算,包括突触可塑性、人工痛觉感知、非易失性存储及CNN图像识别(MNIST 97.9%,Fashion-MNIST 88.1%))。
来源:Materials Science and Engineering: R: Reports
时间:2026-03-17
-
G-GBC:一种基于高斯混合模型的颗粒球计算方法,用于在噪声标签环境下实现鲁棒的卷积神经网络(CNN)分类
针对图像分类中的标签噪声问题,本文提出一种基于高斯混合模型的颗粒球计算方法(G-GBC)。该方法通过动态调整颗粒球大小,结合CNN的特征提取能力,有效抑制噪声影响,提升模型鲁棒性和分类精度。实验验证了其在多数据集上的有效性。
来源:Knowledge-Based Systems
时间:2026-03-17
-
具有鲁棒性控制的对抗性图卷积网络,用于多视图半监督分类
多视图图卷积网络噪声鲁棒性优化与双层级框架研究。摘要:针对多视图学习中文视图异构数据噪声敏感问题,提出基于双层级优化的对抗图卷积方法。下层最大化图正则化以构建鲁棒图拉普拉斯算子,上层最小化对抗损失提升表征鲁棒性。该方法实现表征学习与拓扑调整的协同优化,有效提升噪声数据下的分类性能和模型泛化能力。实验验证其在多个基准数据集上优于现有方法。
来源:Knowledge-Based Systems
时间:2026-03-17
-
基于空间-光谱深度解卷积技术的农产品高光谱成像压缩感知方法
农业高光谱成像数据压缩与重建模型SS-DUHCS通过空间-谱分块压缩和梯度优化测量矩阵提升性能,结合深度神经网络实现快速高质重建,并加入特征精化模块减少计算量。实验表明,SS-DUHCS在低采样率(1%、4%、10%)下显著优于传统迭代和深度学习方法,参数少且兼容推扫式硬件,支持高效无损品质检测。
来源:Knowledge-Based Systems
时间:2026-03-17
-
言语锚定位置对图像隐喻处理的影响:一项ERP研究
图画隐喻的语义整合受言语锚定垂直位置影响及产品参与度交互效应研究。采用ERP技术发现顶部位置通过空间隐喻一致性增强语义整合效率,且与产品参与度存在交互作用。
来源:Journal of Neurolinguistics
时间:2026-03-17
-
基于神经形态计算的多模态数据融合技术在智能机器故障诊断中的应用
多模态数据融合与神经形态计算结合的智能机器故障诊断方法,通过统一时空脉冲表征空间提升多源数据对齐效率,设计模态专用神经形态特征提取模块降低计算负载,并构建广义多模态对比学习框架实现跨模态特征一致性优化。实验表明该方法在保证诊断可靠性的同时实现响应延迟88%以上的优化,为工业场景部署提供轻量化解决方案。
来源:Journal of Industrial Information Integration
时间:2026-03-17
-
利用遗传算法、粒子群优化和差分进化技术对比例-积分控制器进行调优,并结合自适应神经网络控制,提升了电动汽车中的能量回收效率。该系统采用电池与飞轮组成的混合动力结构
本研究提出一种集成永磁同步电机(PMSM)的混合电池-飞轮能量存储系统,通过元启发式优化(GA/PSO/DE)和自适应双神经网络PI控制策略,显著提升电动汽车再生制动能效。实验表明,混合系统较单体电池能提升15-20%能量回收率,将峰值充电电流降低至3.0A(对比3.7-4.0A),同时将转矩波动降低50%。
来源:Journal of Energy Storage
时间:2026-03-17
-
基于物理原理的深度学习框架,用于预测SiO₂f/SiO₂复合材料的蠕变行为,并考虑初始状态的影响
SiO₂f/SiO₂陶瓷基复合材料的高温蠕变行为受初始微观缺陷显著影响,传统参数化模型存在跨样本预测能力不足的问题。本文提出融合CT缺陷特征描述符和时序学习的物理约束神经网络框架,通过引入初始缺陷作为先验知识并嵌入热力学相容性和本构率演化约束,有效提升蠕变预测精度与泛化能力。实验验证表明该模型在多试样中优于Norton-Bailey模型和传统数据驱动方法。
来源:COMPOSITE STRUCTURES
时间:2026-03-17
-
高效的桩-隧道相互作用建模:基于PINN框架的垂直沉降预测方法
垂直沉降预测|物理信息神经网络|自适应加权策略|Timoshenko-Pasternak方程|盾构隧道|桩基群荷载|数据驱动模型|工程应用|消融实验|机器学习优化
来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY
时间:2026-03-17