-
卷积神经网络作为二维系统
本刊特邀推荐:卷积神经网络(CNN)的性能分析常受限于高维结构带来的计算复杂度。为解决CNN的鲁棒性评估难题,研究团队开创性地提出将其视为二维Lur'e系统进行分析。通过将卷积层实现为二维线性系统的状态空间形式,并利用鲁棒控制理论中的耗散性和积分二次约束(IQC)工具,该工作建立了一套基于二维系统理论估计CNN Lipschitz常数的半定规划(SDP)框架。此项研究发表于《Automatica》,首次建立了二维系统理论与CNN分析的桥梁,为评估CNN对抗扰动的稳健性提供了比现有方法更具可扩展性的新途径。
来源:Automatica
时间:2026-03-02
-
具有多标准决策支持的系统感知条件神经过程,用于运营电力价格预测
Abhinav Das | Stephan Schlüter | Lorenz Schneider
乌尔姆大学数学与经济学院,Helmholtzstrasse 20,乌尔姆,89081,德国
摘要
本研究将贝叶斯制度检测与条件神经过程相结合,用于德国、法国和挪威市场
来源:Energy Economics
时间:2026-03-02
-
用于智能家居物联网监控中智能决策的量子增强神经融合框架
尤金·普林斯·M|Rathi Devi T|Anu Disney D|Kannan K|Ramesh K|Sujatha Therese P
印度泰米尔纳德邦纳格尔科伊尔S.T.印度教学院物理系
摘要:
智能家居监控系统越来越多地依赖于异构的物联网(IoT)数据流,
来源:Franklin Open
时间:2026-03-02
-
在研究运动追踪反馈对患有神经运动障碍的儿童参与互动家庭锻炼计划时的体验影响过程中所获得的经验教训:一项多案例混合方法研究
摘要背景针对脑瘫儿童的居家锻炼计划往往难以得到严格执行。互动技术能够帮助激励并指导这些儿童在家中完成锻炼,从而减轻家长的负担。本研究旨在探讨在互动式计算机游戏式居家锻炼程序“Bootle Boot Camp”中,动作追踪反馈对儿童参与度以及家长使用体验的影响。方法本研究采用多案例
来源:Journal of NeuroEngineering and Rehabilitation
时间:2026-03-01
-
结合电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)与人工神经网络(Artificial Neural Network,ANN)的虚拟电子舌用于非合规汽油的精准识别
非合规汽油会损害发动机性能、耐久性与排放表现。在本研究中,研究人员将结合电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)与人工神经网络(Artificial Neural Networks,ANNs)的虚拟电
来源:ACS Omega
时间:2026-03-01
-
Co/La:Hf0.5Zr0.5O2异质结构中面向高能效神经形态计算的电子驱动磁电耦合
磁电材料通过利用磁化的电控能力实现低功耗存储器件。掺杂铪石(hafnia)中铁电性的发现进一步拓展了机遇,因为该材料中独特的铁电极化翻转机制若与合适的磁性材料结合,可实现电场对磁化的稳健且多级调制。在此,研究人员在钴层中展示了5%的电场诱导饱和磁化强度调制,该
来源:ACS Applied Materials & Interfaces
时间:2026-03-01
-
固定尺寸包络约束下间隔多层铝装甲的弹道性能:基于ANN的设计分析的FEM模拟
多层装甲(multi-layered armor)通常被认为优于等质量(equal mass)的单层板(monolithic plates)。本研究通过研究AA2024-T3铝配置挑战了该范式(paradigm)在尺寸约束系统(dimensionally co
来源:Defence Technology
时间:2026-03-01
-
IEEE 802.11网络中的弱干扰检测:技术、场景与移动性
现有技术检测干扰攻击是事后(ex-post)的,即仅在干扰已经破坏无线通信链路之后。在许多场景中,例如移动网络或分布在大地理区域的静态部署,通常希望在早期阶段检测干扰,此时干扰对通信链路的影响足以被检测但尚未使其中断(弱干扰信号检测)。在这种假设下,设备可以增
来源:Computer Networks
时间:2026-03-01
-
基于变分自编码器和经验小波变换与卷积神经网络的深度学习轴承故障检测与分类方法
近年来,人工智能和机器学习的应用发展迅速,并在振动监测等各个领域引起越来越多的关注。振动监测是诊断机械设备故障的强大工具。因此,利用物联网(IOT)和机器学习技术进行自动故障检测至关重要。在当前工作中,研究人员提出了一种深度学习方法,用于轴承故障检测和分类,该
来源:Franklin Open
时间:2026-03-01
-
基于深度学习的无参考全场应变测量方法
在这项工作中,研究人员解决了在未变形构型的参考图像不可用时估计全场平面应变的问题。经典的数字图像相关(Digital Image Correlation, DIC)及基于图像的相关方法依赖于未变形状态和变形状态之间的比较,因此无法应用于此类场景。为了克服这一限
来源:Engineering Applications of Artificial Intelligence
时间:2026-03-01