-
基于硬件感知设计的轻量级深度循环神经网络在嵌入式设备上实现多元事件驱动时间序列实时识别的实用研究
在嵌入式设备上实现实时时间序列识别仍具挑战性，其限制既来自有限的计算资源与内存容量，也来自随机触发、事件驱动且时长可变的传感应用所带来的运行约束。多数深度学习方案依赖离线处理、完整序列推断及既定部署框架，与之相对，硬件感知设计结合循环架构可将推断分布到时间序列
来源：Engineering Applications of Artificial Intelligence
时间：2026-08-05
-
利用基于CNN的语音分析解决自杀风险评估中的掩饰问题：一项概念验证研究
背景/目标：自杀仍然是一个主要的公共卫生问题，全球每年有超过70万人死于自杀。当前的风险评估受到高危患者否认自杀意念倾向的限制，意念者中否认率约为50%，住院自杀死亡者中高达78%。方法：这项概念验证研究调查了应用于患者语音的深度学习是否能够区分因近期自杀未遂
来源：Psychiatry International
时间：2026-08-05
-
基于改进粒子群优化与深度神经网络预测钢管混凝土柱-钢梁装配节点螺栓连接力学性能
预测预制钢管混凝土（Concrete-Filled Steel Tube，CFST）柱-钢梁装配体中螺栓连接节点的力学性能，因复杂的非线性关系、高度参数耦合以及传统经验公式泛化能力有限而仍具挑战性。研究人员提出一种数据驱动预测模型，融合改进粒子群优化（Impr
来源：Mathematics
时间：2026-08-05
-
EpiC-NeRF: 认知不确定性引导的神经辐射场用于稀疏视图CT重建
稀疏视图计算机断层扫描（CT）重建旨在从有限数量的X射线投影图像中恢复高质量的CT体数据，从而减少图像采集过程中的辐射暴露。然而，该问题本质上是病态的，因为每个投影仅提供间接的线积分监督，且不同的衰减分布可以解释相似的稀疏测量。现有的解析方法和迭代方法常受条状
来源：Mathematics
时间：2026-08-05
-
元启发式CNN预测中的验证-泛化不对称：一个极小时间序列案例
超参数优化能够在降低验证误差的同时恶化未来性能，当数据极度稀缺时该风险尤为突出。研究人员在一份公开铁路里程实现工作簿中检验了这一风险，该工作簿含17个有序五滞后输入-目标行，其中14行构成开发集，3行构成锁定外测试集。不存在经独立核验的22点原始序列；因此精确
来源：Symmetry
时间：2026-08-05
-
FGOGNN：一种面向无线传感器网络的节能智能分簇路由协议
节能且鲁棒的路由仍是无线传感器网络（WSNs）中的一个关键问题，其中有限的能量资源和动态拓扑阻碍了性能。为应对这一挑战，本文提出了一种新型分簇路由协议FGOGNN，它集成了用于自适应簇头（CH）选择的真菌生长优化器（FGO）和用于簇间路由的图神经网络（GNN）
来源：Symmetry
时间：2026-08-05
-
基于SSC-PINN的季节冻区粉质黏土抗剪强度预测
季节冻粉质黏土抗剪强度的预测受到复杂物理机制和稀疏实验数据的限制。研究人员提出了一种自监督对比物理信息神经网络（SSC-PINN）来克服这些限制。通过对比预训练，从有限数据集中提取了鲁棒的潜在特征。同时将时间依赖的本构方程和物理边界条件嵌入损失函数中。这种数学
来源：Applied Sciences
时间：2026-08-05
-
时空脑电图分类器中的表征与几何坍缩：一个数学诊断框架
时空深度学习模型，如图神经网络（GNNs）、Transformer和选择性状态空间模型（Mamba），在脑电图（EEG）解码和情感计算中取得了令人瞩目的性能。然而，在受试者独立留一受试者交叉验证（LOSO）协议下，其泛化性能通常严重下降。这种泛化下降通常被归因
-
综述：皮肤电活动作为孤独症谱系障碍、注意缺陷多动障碍及强迫症的生物标志物：一项系统综述
皮肤电活动（Electrodermal Activity, EDA）已成为一种极具潜力的生理测量指标，可用于客观评估神经发育障碍（Neurodevelopmental Disorders, NDDs）及相关疾病，但其在不同疾病中的有效性尚不清晰。研究人员遵循P
-
面向电动机故障检测的高级人工智能
近年来，日益增长的组件健康评估需求使得故障检测成为一个越来越重要的研究课题。虽然传统技术仍被广泛使用，但人工智能（AI）的扩展引入了创新方法。其中，自编码器在检测电动机异常方面展现了显著潜力。本文旨在确定哪些信号最适合用于永磁同步电机（PMSM）中基于AI的故
来源：Electronics
时间：2026-08-05
粤公网安备 44010602000434号