-
用于无人机波束形成的集成传感与通信技术:基于跟踪应用的天线设计
本研究提出一种新型单步骤金属-复合材料混合成型工艺,用于制造铝-GMT复合材料碰撞管理系统。通过有限元分析和动态压缩测试,优化了正交肋结构碰撞箱和交叉梁的几何参数,验证了混合结构在RCAR 10°低速碰撞测试中的能量吸收性能(SEA达32.5 kJ/kg),同时通过C型夹钳和自冲铆接技术解决了焊接难题。实验表明,混合结构在保持高能量吸收的同时,能有效控制碎片飞散,但受限于现有连接工艺,轻量化效果未完全实现。
来源:Vehicles
时间:2025-12-25
-
一种从有限的OBD数据推断与能源相关的运行状态的方法论框架:以一款PHEV的单次行驶案例研究为例
电动助力拖车附件设计及控制算法研究。采用双250W BLDC电机和576Wh锂电池实现独立驱动,通过力传感器和STM32控制器实时调整PID参数,使拖车与主自行车动态同步。测试表明该系统可承载200kg货物,适应不同路况,降低30%运输成本
来源:Vehicles
时间:2025-12-25
-
在现实市场中高效选择投资组合:一种多目标优化方法
多目标优化框架在真实金融数据中的投资组合管理研究。提出基于元启发式算法的投资组合优化框架,整合数据预处理与四类算法(NSGA-II、MOEA/D、SMS-EMOA、SMPSO)对比实验,覆盖11,000只美国上市资产。采用风险调整收益(Sharpe比率)评估方案,发现SMS-EMOA在收敛性与多样性上最优,但各算法适用于不同风险偏好的投资者。创新点包括动态权重分配编码、市场分层数据获取、约束条件处理,以及开源数据集和代码共享。
来源:Algorithms
时间:2025-12-25
-
基于回转半径的相似性度量在模式识别中的困境:对Deng等人方法的理论修正与反例构建
本文对Deng等人提出的基于回转半径(Radius of Gyration)的相似性度量进行了深入剖析。研究首先修正了原方法中关于广义梯形模糊数(Generalized Trapezoidal Fuzzy Number)定义及转动惯量计算的不严谨之处,随后通过解析算法构建了一个全新的反例,证明该度量方法依然存在无法解决的模式识别困境(Recognition Dilemma),从而推翻了其“能完全避免识别困境”的论断。文章还指出,此前文献中声称的“反例”实为数值近似导致的伪平局,进一步凸显了本文理论分析的严谨性。
来源:Algorithms
时间:2025-12-25
-
欧盟的贸易开放度与创新绩效:集群动态分析
欧盟27国2018-2024年贸易开放度与创新能力关系研究,采用动态聚类分析和混合模型(FE-REML),发现开放度正向显著影响创新绩效(p<0.001),且与数字发展指数(DESI)及研发支出存在协同效应(三重交互项p=0.011)。创新领导国家(如德、法、瑞典)贸易开放度与SII指数均居高位,而新兴经济体(如波兰、匈牙利)创新水平较低但开放度中等。研究强调需通过政策协同优化贸易开放、数字化基建和研发投入,以实现创新增长。
来源:Economies
时间:2025-12-25
-
探索信息通信技术(ICT)作为中亚可持续经济增长的引擎
经济增长与ICT发展的关系在中亚地区的研究显示,ICT发展对经济增长呈现显著负效应,其根源在于制度薄弱、数字技能不足及基础设施分配不均。资本形成、贸易开放、人力资本和政府有效性对经济增长有显著正向作用,而通胀抑制增长。研究强调ICT需与制度、人力资本协同才能驱动可持续增长。
来源:Economies
时间:2025-12-25
-
具有全局收敛性的投影梯度方法,用于玻色-爱因斯坦凝聚体中受球形约束的非线性特征值问题
1. 中文摘要:
玻色-爱因斯坦凝聚态(BEC)的基态问题可转化为球约束下的非线性特征值问题。本文提出投影梯度法(PGM),通过理论分析和数值实验证明其全局收敛性,并展示其在1D、2D、3D模型中的高效性和可扩展性,尤其适用于大规模计算场景。实验表明,PGM在计算效率、内存占用和收敛稳定性方面显著优于其他方法(如SS-HOPM、ADMM、SDP),且复杂度仅为线性,适合高维量子系统模拟。
来源:Mathematical and Computational Applications
时间:2025-12-25
-
基于多视图模块度的团队感知社区检测方法(TaCD)及其在学术社交网络中的应用
本文提出了一种创新的团队感知社区检测(TaCD)方法,通过构建用户交互视图和团队关系视图的双层网络结构,利用Jaccard相似度建立跨视图耦合机制,并采用多视图模块度优化和广义Louvain算法,在新型SCHOLAT数据集上实现了显著优于传统方法的社区发现效果,为复杂社交网络分析提供了新的多视角融合范式。
-
LAFS:一种基于可学习注意力机制的快速、可微分的特征选择方法
特征选择是机器学习预处理的关键步骤,现有方法存在速度与性能的权衡:过滤法快速但忽略特征交互,包装法性能好但计算成本高。本文提出LAFS框架,通过可微的注意力机制和混合损失函数,在单次前向传播中实现与包装法相当的性能但速度更快。核心创新包括:1)多层级感知的注意力网络捕捉非线性特征交互;2)结合分类损失与香农熵正则化的混合损失函数,动态优化特征稀疏性。实验表明,LAFS在XOR合成数据、高维真实数据集(如Arcene、LSVT)中均优于传统过滤法(MI/mRMR)和包装法(RFE-LGBM),尤其在处理多重共线性时效果显著。LAFS在特征维度小于200时F1-score达到0.92以上,且参数量比现有方法减少40%。
-
数据转换器前沿技术突破:从时序校准到低功耗架构的创新进展
本特辑聚焦数据转换器(ADC)关键技术挑战,推荐三篇创新研究:A1综述时间交织(TI) ADC时序偏差校准技术,系统分类并分析三种校准方案;A2提出0.5V低压浮置放大器(CB-FIA)结合相关电平移位(CLS)的缩放型ADC,实现83.6dB SNDR和177.8dB能效;A3采用浮置环形放大器和米勒负电容技术,打造150MS/s全动态SAR辅助流水线ADC,功耗仅1.72mW。这些成果为高速高精度ADC设计提供重要技术路径。
来源:IEEE Open Journal of the Solid-State Circuits Society
时间:2025-12-25