-
基于其空气动力学的空气弹簧动态刚度神经网络建模
为解决主动悬架控制系统实时计算需求,研究人员开展了空气弹簧非线性特性建模研究。通过建立相对运动状态(位移、速度)与输出力之间的直接非线性功能映射,避免了复杂微观物理方程的计算负担。研究采用渐进式建模策略,从多项式拟合、前馈神经网络到最终提出物理嵌入分层网络,在保留关键非线性滞后特性的同时显著提升了模型的稳定性和精度。此项高保真模型为先进悬架控制策略(如模型预测控制)提供了关键基础,增强了车辆在动态载荷下的适应性。
来源:Mathematics
时间:2026-03-21
-
神经多样性视角融入古生物学博物馆教育:构建包容性科学空间的理论与实践探索
为改善科学博物馆对神经多样性群体的接纳不足及参与度低等问题,本文作者团队(多为神经多样性古生物学家、博物馆从业者及盟友)以社会关系残障模型为理论框架,通过深度剖析两个以神经多样性参与者为中心的合作案例,探索了将神经多样性视角整合进古生物学博物馆教育材料与网站设计的路径。研究表明,以神经多样性群体为平等的合作伙伴,共同策划并实施教育项目,能够有效提升博物馆环境的包容性与公平性,并为地学领域更广泛的包容性实践提供了策略框架与行动建议。
来源:Journal of Geoscience Education
时间:2026-03-21
-
综述:学习非线性运动控制:如何整合机器学习与非线性动力学揭示人类运动中的结构、适应与控制
本文探讨了AI与非线性动力学整合如何建模、解释并控制人类运动。它指出,传统线性模型难以捕捉运动的复杂非线性与适应性,而AI(特别是机器学习ML、强化学习RL)能学习输入-输出映射、时序动态和适应性控制策略。当AI模型受非线性动力学概念(如吸引子、相变、流形)约束和评估时,能超越“黑箱”预测,揭示运动控制的潜在结构和机制,最终指向可解释、闭环的人-执行器交互模型。
来源:Actuators
时间:2026-03-21
-
基于多传感器信息融合的插电式混合动力汽车能量管理策略优化研究
为深入挖掘功率分流式混合动力汽车的节能潜力,本刊推荐一项研究。该研究针对传统RBF神经网络车速预测方法仅依赖单车历史速度序列、存在局部预测误差大等问题,提出了一种融合驾驶员意图、毫米波雷达与摄像头数据等多源信息的改进RBF神经网络预测方法,并构建了以燃油经济性为目标的模型预测控制(MPC)能量管理优化模型。仿真验证表明,该方法在多种工况下相比传统方法可将燃油经济性提升4.11%,为实现更高效、智能的车辆能量管理提供了新思路。
来源:World Electric Vehicle Journal
时间:2026-03-21
-
基于对比图信息传递神经网络与深度强化学习的海洋异构网络智能路由算法
针对海洋异构无线网络拓扑动态、链路异构性强导致传统路由协议性能不佳的问题,研究人员开展了基于多无线电接入融合架构与CMPGNN-DQN智能路由算法的研究。该研究通过构建同质与异质双视图对比学习机制,深度融合网络拓扑特征与实时状态,在DQN框架下实现逐跳路由决策。实验表明,该算法在包投递率、传输时延和带宽利用率等关键指标上均优于现有基准算法,特别是在高网络负载或部分链路失效时表现出优异的鲁棒性与适应性,为动态复杂的海上通信环境提供了高效的智能路由解决方案。
来源:Electronics
时间:2026-03-21
-
DeVSA:一种利用压缩器树重用的、面向脉冲神经网络向量加速的高能效密度型设计
针对脉冲神经网络(SNN)映射到高精度浮点向量架构时存在的粒度失配与计算密度低下问题,研究人员开展了一项主题为“密度高效型向量SNN加速器”的研究。他们提出了DeVSA架构,通过复用标准BF16乘法器的压缩器树,实现了八路脉冲-权重点积(DOT8)运算,在保持完整BF16乘法能力的同时显著提升了硬件利用率。该设计在28纳米工艺下合成,达到了340.6 GFLOPS的峰值吞吐量和838 GFLOPS/mm2的合成后计算密度,并在多个事件驱动数据集上实现了显著的端到端加速。这项研究表明,通过压缩器树结构复用,能够在保持向量可编程性的同时,为SNN推理提供高计算密度和高能效。
来源:Electronics
时间:2026-03-21
-
面向NPU可靠性的CNN高精度故障注入与统计敏感性分析框架
随着AI芯片在航天等领域部署,评估其可靠性面临高计算量和硬件复杂性挑战。本文提出一种面向NPU架构的高精度高效故障注入(FI)方法,通过分层注入策略识别故障敏感层,在ResNet-50上实现了精度退化小于0.1%的同时,总执行时间减少了60.80%,为NPU在安全关键应用中的可靠性评估提供了有力工具。
来源:Electronics
时间:2026-03-21
-
综述:人工智能在神经认知障碍检测与诊断中的作用:一项系统评价
这篇系统性综述全面梳理了2015-2025年间AI技术在神经认知障碍早期检测、诊断与监测中的应用进展。文章评估了深度学习等AI模型在结合神经影像、生物标志物、数字行为数据等多模态信息时展现的高诊断准确性,并探讨了其在预测疾病进展、辅助决策方面的潜力,同时也指出了模型验证不足、数据集异质性、临床转化障碍等关键挑战。
来源:Technologies
时间:2026-03-21
-
Ouroboros:一种基于遗传算法与循环神经网络符号化规则重建的WAF自演进测试框架
针对Web应用防火墙(WAF)自动化测试中强化学习面临的奖励稀疏与延迟问题,研究人员提出Ouroboros框架。该框架融合遗传算法进行符号规则重建,利用正则表达式(REGEX)到循环神经网络(RNN)转换实现细粒度置信度评分,并引入时序侧信道分析和多层级奖励机制,成功将黑盒攻击转化为白盒感知。实验表明,其在基于签名的WAF上达到了89.2%的绕过成功率,为自动化WAF测试与防御规则优化提供了高效解决方案。
来源:Future Internet
时间:2026-03-21
-
基于SHAP可解释性驱动的多类别特征融合PolSAR森林高度反演
针对复杂地形和异质性森林条件下,基于极化合成孔径雷达(PolSAR)的多类别特征融合森林高度反演面临特征冗余、深度学习模型对高维特征非线性耦合刻画不足、模型稳定性与可解释性难以兼顾等挑战,本研究提出了一种SHapley Additive exPlanations(SHAP)可解释性驱动的深度学习与多类别特征融合PolSAR森林高度反演方法。通过构建SHAP引导的特征注意力深度神经网络,在解释模型决策过程的同时指导迭代优化,最终在测试集上取得了决定系数(R2)=0.75、均方根误差(RMSE)=1.35米的优异反演精度。该研究有效提升了PolSAR森林结构参数反演的精度与物理可解释性,为复杂地形条件下的森林监测提供了可靠方案。
来源:Remote Sensing
时间:2026-03-21