• 基于人工神经网络模型与秘鲁农业发展与灌溉部（MIDAGRI）2020–2025年数据预测Canchan马铃薯批发价格

  准确预测农产品价格对于稳定市场与优化供应链决策至关重要。研究人员提出一种有监督机器学习应用，聚焦于利用秘鲁农业发展与灌溉部（Ministerio de Desarrollo Agrario y Riego，MIDAGRI）开放数据门户作为基线，预测秘鲁Canc

  来源：Frontiers in Sustainable Food Systems

  时间：2026-08-07

• 基于深度卷积神经网络（CNN）模型的腰果苹果果实成熟度分级

  腰果苹果（Cashew apple）果实对印度果阿（Goa）等沿海地区的经济具有重要作用，被广泛用于鲜食与果汁生产，其市场价值与品质密切相关，而品质受成熟度阶段影响。研究人员提出一种基于深度卷积神经网络（Convolutional Neural Network

  来源：International Journal of Fruit Science

  时间：2026-08-07

• 慢性心力衰竭患者的动态预后模型：一项使用随访数据和循环神经网络的前瞻性队列研究

  背景：针对慢性心力衰竭（CHF）患者死亡风险的传统预测模型通常依赖于静态入院数据，这限制了对疾病动态变化的捕捉。通过使用纵向随访数据，研究人员开发了一种动态模型以提高预测准确性，并为个性化干预提供依据。方法：研究人员从山西的3个中心招募了1333名CHF患者。

  来源：Vascular Health and Risk Management

  时间：2026-08-07

• 静息态脑电微状态的时间动态改变作为意识受损的神经特征：慢性意识障碍中的高密度脑电分析

  摘要 主要目标 利用脑电微状态区分无反应觉醒综合征（UWS）与最小意识状态（MCS）。研究设计 高密度静息态脑电的回顾性分析。方法与程序 研究人员分析了20例UWS患者、22例MCS患者和20例对照者的脑电数据。微状态地形图被聚类为四类经典类别。为防止机器学

  来源：Brain Injury

  时间：2026-08-07

• 综述：围术期应激-炎症-免疫抑制轴与肿瘤进展：机制整合及麻醉管理策略

  围术期应激是手术不可避免的生理反应，在肿瘤患者中尤为关键。手术创伤可激活下丘脑-垂体-肾上腺（HPA）轴与交感神经系统（SNS）两大应激通路，导致应激激素、炎性介质大量释放，并引发抗肿瘤免疫功能的一过性降低，该级联反应可被定义为应激-炎症-免疫抑制轴。实验研究

  来源：Holistic Integrative Oncology

  时间：2026-08-07

• 连续常模模型与传统常模模型在神经行为评估中的比较：一项模拟研究

  研究人员评估了16种在分布族、轨迹复杂度与结构上存在差异的连续常模（continuous norming）方法。近似模拟数据形态的广义可加模型（Generalized Additive Models for Location, Scale, and Shape

  来源：Research in Autism

  时间：2026-08-07

• 基于血清元素谱的机器学习模型用于阿尔茨海默病识别和认知评分预测

  背景：当前阿尔茨海默病（AD）的诊断方法主要依赖于脑脊液生物标志物和神经影像学，这些方法可能具有侵入性、成本高昂，且在常规临床环境中不易获取。研究人员调查了血清元素谱与机器学习相结合是否能为AD识别和探索性认知评分预测提供补充信息。 方法：这项回顾性横断面

  来源：Neuroprotection

  时间：2026-08-07

• 曲率感知的物理信息神经网络动态精度方法

  物理信息神经网络（Physics-informed neural networks, PINNs）已成为一种有前景的框架，通过将物理定律直接嵌入神经网络训练中来模拟偏微分方程（Partial Differential Equations, PDEs）。然而，近

  来源：Neurocomputing

  时间：2026-08-07

• 综述：通用目标跟踪深度解析：一项综述

  通用目标跟踪（Generic Object Tracking, GOT）因复杂的时空动态特性，尤其在遮挡、相似干扰物及外观变化的场景下，始终是计算机视觉领域中重要且具有挑战性的研究任务。过去二十年间，为应对上述挑战，学界相继提出了多种跟踪范式，包括基于孪生网络

  来源：Neurocomputing

  时间：2026-08-07

• 联邦时空图神经网络用于自动驾驶中隐私保护车辆轨迹预测

  准确的车辆轨迹预测在自动驾驶与智能交通系统中起着至关重要的作用。长短期记忆网络（LSTM）、卷积神经网络（CNN）、图神经网络（GNN）等深度学习模型虽表现出色，但多在集中式设定下将原始轨迹数据汇聚至服务器，且多数模型仅关注空间或时间特征之一，忽视了时空特征融

  来源：Frontiers in Artificial Intelligence

  时间：2026-08-07

知名企业招聘：