-
关于羟苯基丙酮酸双加氧酶样(HPDL)酶潜在化学空间的生物无机视角
遗传学分析已确定4-羟苯基丙酮酸双加氧酶样(HPDL)基因的双等位基因变异是导致一种神经退行性疾病的原因,该疾病类似于原发性辅酶Q<sub>10</sub>(CoQ<sub>10</sub>)缺乏综合征。HPDL在结构上与经过充分研究的4-羟苯基丙酮酸双加氧酶
来源:JBIC Journal of Biological Inorganic Chemistry
时间:2026-03-12
-
基于约束强化学习的神经网络编码控制策略安全保障
摘要:强化学习目前还无法生成具有安全保障的控制策略。尽管这类数据驱动的控制算法在研究环境中取得了显著成效,但这仍是其在现实问题中应用的一大障碍。因此,本文探讨了安全约束强化学习的方法,旨在在训练过程中乃至训练结束后,都能可靠地生成具有安全保障的控制策略。首先,我们基于状态空间中的
来源:IEEE Open Journal of Control Systems
时间:2026-03-12
-
一种基于多样性优化的神经网络方法用于无线传输功率控制
摘要:神经网络方法可以通过提供即时的、无需迭代的解决方案来加速实时无线功率控制。然而,当某一输入配置存在多个(次)最优解时,这些方法的性能会下降。近期基于神经网络的方法通常通过为每个输入选择单个代表性解,将这种一对多的输入-解关系转化为一对一的映射,从而无法捕捉到同一输入下存在的
来源:IEEE Communications Letters
时间:2026-03-12
-
基于电动助力转向系统与一维卷积神经网络实现的车辆自适应扭矩估算,助力黑色结冰路面分类
摘要:本研究初步探讨了一种基于电动助力转向系统中的自对准扭矩估计来检测和分类黑色结冰路面的新策略。目前关于黑色结冰路面检测的研究大多集中在基于计算机视觉的方法以及用于估算打滑率的车载传感器测量上。然而,这些方法在驾驶灵活性和稳定性变化、车辆振动以及路面粗糙度等因素作用下往往缺乏足
来源:IEEE Access
时间:2026-03-12
-
基于ELM学习与卡尔曼状态估计的AI驱动双速率预测控制
摘要:尽管在非线性模型预测控制以及基于学习的系统识别方面取得了显著进展,但在存在异步感知、模型不确定性及测量噪声的情况下,对非线性系统实现稳健控制依然是一项艰巨任务。传统MPC框架依赖于精确的仿射模型或局部线性化模型以及单速率测量,这限制了它们在具有强非线性、双速率感知以及时变特
来源:IEEE Access
时间:2026-03-12
-
美国石化与炼油行业工人队列的死亡率更新情况
摘要 研究目的: 本研究分析了截至2020年12月31日,一家美国公司旗下各类石油化工及炼油厂中214,000多名男女员工的死亡趋势。 研究方法: 针对所研究
来源:Journal of Occupational and Environmental Medicine
时间:2026-03-12
-
基于合成数据的van Genuchten-土壤冻结特征曲线模型参数估计
准确的土壤冻结特征曲线(Soil Freezing Characteristic Curve,SFCC)估计对于理解冻土的热-水-力行为至关重要。van Genuchten(VG)模型因其灵活性和适应多种土壤类型的能力,已被广泛采用于SFCC表征。然而,VG-
来源:Geodesy and Geodynamics
时间:2026-03-12
-
基于Composite Bandage的管道修复加固计算机建模
图神经网络(Graph Neural Network, GNN)在节点分类任务中表现出良好性能,但现有多数模型依赖均匀或共享权重的聚合操作,缺乏对不同节点间关系强度差异的建模灵活性。本文提出一种新颖的图耦合卷积模型(graph coupling convolu
来源:CMES - Computer Modeling in Engineering and Sciences
时间:2026-03-12
-
基于人工神经网络的移动楔形表面Williamson纳米流体流动与传热分析——热辐射、黏性耗散及均相-非均相反应的影响
本研究旨在准确预测非牛顿纳米流体在空气动力学设计的高通量生物医学微装置中的传热与传质过程,以满足热管理和反应性涂覆工艺的需求。然而,现有研究在单一方案中同时考虑黏弹性、辐射加热、黏性耗散以及均相-非均相反应方面存在不足。本研究考察了Williamson纳米流体
来源:CMES - Computer Modeling in Engineering and Sciences
时间:2026-03-12
-
基于半监督掩码对比学习与域适应的变工况齿轮箱故障诊断
针对变工况齿轮箱故障诊断中标记样本稀缺及工况变化导致诊断模型精度下降的问题,研究人员提出了一种半监督掩码对比学习与域适应(Semi-Supervised Masked Contrastive Learning and Domain Adaptation, SS
来源:CMES - Computer Modeling in Engineering and Sciences
时间:2026-03-12