• 基于迭代学习PICNN终端值函数的强化学习增强型模型预测控制

  - PICNN 评论器对优化相关的终值几何进行正则化。 - 增长式重放缓冲保留跨迭代的数据覆盖度并缓解遗忘。 - 专属 Polyak 更新抑制终值评论器的突变替换。 - 筛选机制在已接受控制器之间产生非递增的 SSE 序列。 - 相对于基线 MPC，RL–MPC 将 CSTR

  来源：Computers & Chemical Engineering

  时间：2026-09-21

• 基于AIPC的化学过程操作控制器：在严格动态模型上的开发与验证

  ## 摘要 准确且稳定的产品质量控制对于化工过程经济性至关重要，但强耦合和非线性特征给PID和MPC控制器带来了巨大挑战。原油蒸馏装置中的预蒸馏塔——其需要严格控制的石脑油最终沸点（FBO）和侧线产品最终沸点——是一个典型案例。本研究提出了一种基于人工智能的过程控制（AIP

  来源：Computers & Chemical Engineering

  时间：2026-09-21

• 用于高维动态过程监控的拓扑数据分析

  •对比了基于重构和基于轨迹的事件检测方法，用于在线过程监测。 •开发了一种用于高维动态过程监测的拓扑数据分析框架。 •将多变量时间序列数据表示为流形，并使用拓扑描述符进行汇总。 •神经常微分方程模型学习拓扑动力学以检测工业数据中的主要事件和次要事件。 1. 引言 化学过程

  来源：Computers & Chemical Engineering

  时间：2026-09-21

• 用于工业流体网络数字孪生中状态重构与实时参数辨识的物理约束神经算子

  摘要 工业流体网络的实时数字孪生面临感知稀疏和时变设备参数带来的挑战，两者共同构成了一个严重不适定的状态-参数联合反演问题。为解决该问题，本文提出了一种级联物理约束神经算子（PC-NO），将原始问题分解为两个顺序子任务：全厂状态重建与部件级参数识别。在前端状态重建中，开发了

  来源：Computers & Chemical Engineering

  时间：2026-09-21

• SaGNN：语义感知异构图神经网络的加密流量分类

  摘要 加密流量分类是现代网络安全与管理中的关键任务。然而，现有方法面临两个主要局限：(1) 在流级别上，它们忽略了加密流量交互模式的变化，错失了探索不同通信阶段之间语义差异的机会。(2) 在数据包级别上，它们在功能和表现形式方面缺乏细粒度区分，导致语义冲突。本文提出了一种基于

  来源：Computer Networks

  时间：2026-09-21

• TopoGNN：基于NURBS几何嵌入的异构B-Rep图学习用于工业加工特征识别

  •异构B-Rep图联合建模面、边和顶点。•方向感知关系改进CAD原生特征识别。•自监督NURBS和UV嵌入补充手工设计特征。•TopoGNN在Fusion 360上达到97.21%准确率和0.8757 mIoU。•该方法可推广至工业CAD数据和TMCAD基准。引言加工特征识别

  来源：Computer-Aided Design

  时间：2026-09-21

• 用于混沌费米–帕斯塔–乌拉姆–京格晶格的结构保持神经网络

  摘要 对于混沌哈密顿系统，守恒律的微小违背会被指数级放大，使得结构保持不仅是一种期望，更是长时间模拟的基本要求。我们在费米-帕斯塔-乌拉姆-钦古（FPUT）晶格的背景下研究这一原则，该系统随着非线性增强，会从近可积动力学转变为哈密顿混沌。我们开发了一种无监督的物理信息神经网

  来源：Communications in Nonlinear Science and Numerical Simulation

  时间：2026-09-21

• 一种用于永磁电磁驱动（PM-EDW）系统控制导向的电磁力替代建模的三阶段多保真度物理信息神经网络

  摘要 以控制为导向的电磁力 surrogate必须足够快速，以便在循环内进行重复评估，同时在其编码的物理约束在超出校准条件的情况下仍然保持有效。我们为永磁电动态悬挂（PM-EDS）开发了一个三阶段的多保真度物理信息神经网络（PINN）。首先，解析场关系定义了相关的力约束；然后

  来源：ADVANCED ENGINEERING INFORMATICS

  时间：2026-09-21

• 犯罪分析中的可解释时空建模：基于图神经网络的抢劫预测

  •一种可解释的时空残差图神经网络（SRGCNN）被应用于入室盗窃风险预测。•该模型整合了公共安全应用程序中的细粒度公民感知数据。•图神经网络（GNN）框架大幅超越传统分类器（平均AUC ≈ 0.85）。•可解释人工智能（XAI）揭示"可疑活动"报告是入室盗窃最重要的预测因子之

  来源：Expert Systems with Applications

  时间：2026-09-21

• IGT：通过交替使用GNN与Transformer对图数据的局部与全局模式进行建模

  •新颖的IGT结构将GNN与Transformer交替排列，以捕捉局部/全局模式。•IGT在统一架构中支持可配置的稀疏和稠密局部算子。•在IGT-GRL和IGT-TC上的大量实验验证了该框架的有效性。引言近年来，随着图神经网络（GNNs）在各个应用领域的显著成功，针对图结构数

  来源：Expert Systems with Applications

  时间：2026-09-21

知名企业招聘：