-
**RATE:一种基于风险意识的适应性长期时间序列预测方法**
长期时间序列预测中,现有模型因未有效分离稳定成分与风险信号,导致误差累积和可靠性下降。本文提出RATE模型,通过多尺度语义分解(MSD)分离稳定(趋势、季节、均值)和波动残差,双分支并行预测(稳定预测器SP与不确定性预测器UP),结合风险感知融合模块RAF动态调整权重,有效抑制误差累积并提升长期预测精度。实验表明RATE在8个基准数据集上显著优于SOTA模型。
来源:Neurocomputing
时间:2026-03-02
-
具有频率感知能力的全球-局部选择性注意力网络,用于激光焊接点检测
激光焊接点检测中,针对小尺寸焊点、模糊边界和复杂光照问题,提出FGSNet框架。该框架通过通道 shuffle卷积保留浅层纹理,全局-局部门控注意力平衡语义与局部结构,自适应多尺度特征融合对齐表征,结合小波自注意力模块增强高频边缘细节,最终实现高效精确的分割检测。实验表明其IoU达84.19%,F-score91.41%,优于传统方法。
来源:Neurocomputing
时间:2026-03-02
-
综述:关于图神经网络在脑疾病分析中应用的综述
图神经网络在九类脑疾病诊断中的应用综述,系统比较单模态与多模态框架的效能差异,分析数据不平衡、噪声干扰、动态建模等核心挑战,提出跨模态融合与可解释性增强的未来研究方向。
来源:Neurocomputing
时间:2026-03-02
-
自适应局部对齐蚁群算法与流形模糊均值漂移技术在流形检测与去噪中的应用
本文提出动态局部半径和动态信息素沉积的改进方法,用于检测和处理暗物质N体模拟中的噪声背景下的星系结构。实验表明,新方法减少了噪声干扰,提高了丝状结构检测的准确性和效率,并在合成数据集和真实天文数据上验证了其有效性。
来源:Neurocomputing
时间:2026-03-02
-
通过神经分数微分方程实现连续时间记忆依赖系统中的强化学习
提出基于神经分数微分方程(Neural FDEs)的强化学习框架,通过Caputo分数导数建模麻醉药物的记忆依赖效应,结合软 actor-critic算法实现BIS指标的闭环控制,验证其相比整数阶模型更优的鲁棒性和适应性。
来源:Neurocomputing
时间:2026-03-02
-
正交空间约束在不依赖梯度反向传播的情况下,提升了学习的可扩展性和收敛效率
本文提出LOCO算法,通过引入正交约束和低秩聚类优化权重更新,解决了非BP方法在深度突触神经网络训练中的效率和扩展性问题。实验表明,LOCO在多个基准数据集上表现优异,支持超过10层网络的训练,并具有持续学习能力。
来源:Neurocomputing
时间:2026-03-02
-
不同情绪类别在时间尺度上对行为和神经事件分割的差异性贡献
离散情绪语义通过行为和神经层级预测事件分割机制,揭示情绪动态在连续体验组织中的关键作用。
来源:Neuropsychologia
时间:2026-03-02
-
基于“心理意象”的新型层次分解方法:MID框架在提升多类分类性能中的创新应用
为解决传统层次分解方法难以依据数据内在属性优化分类结构的问题,研究人员提出了名为Mental Image Decomposition (MID) 的创新框架。该研究利用DRASiW模型的“心理意象”信息构建与数据对齐的优化层次树,在26个标准数据集上验证表明,MID在多种机器学习分类器上都显著提升了F1分数和准确率,尤其能有效提升AdaBoost等集成分类器性能。这项工作为复杂多类分类问题提供了高性能、可解释性强的新解决方案。
来源:Neurocomputing
时间:2026-03-02
-
异构信息网络中面向自动化深度表征学习的多目标协同进化搜索算法
本研究提出了一种名为MOEAHIN的多目标协同进化算法,旨在自动化地搜索异构信息网络(HINs)中的元多重图和神经网络架构,以权衡模型性能与图稀疏性,为解决自动深度表征学习中的手动设计和参数调优难题提供了有效方案。
来源:Neurocomputing
时间:2026-03-02
-
针对具有比例时滞和异质切换的不确定复值模糊忆阻神经网络全局指数同步的自适应事件触发间歇控制及其在图像解密中的应用
本文研究了一种复杂控制场景下神经网络的同步问题。针对带有不确定参数、比例时延及驱动/响应系统存在不同切换条件(即异质性)的复杂值模糊忆阻神经网络(CVFMNNs),研究者设计了一种创新的自适应事件触发间歇控制(AEIC)策略。该工作首次将区间矩阵法扩展至复域用于此类系统,并构建了新的非周期微分不等式。通过严格的李雅普诺夫(Lyapunov)泛函分析和全局指数同步(GES)条件推导,成功实现了系统同步,并严格排除了Zeno行为。数值模拟和图像加密应用验证了该方法的有效性与实用潜力,为复杂神经网络的实际控制提供了更为通用的理论框架。
来源:Neurocomputing
时间:2026-03-02