• 面向红外光谱功能基团自动识别的双路卷积网络：兼顾诊断谱带与全局背景的高效建模框架

  为解决红外光谱中因谱带重叠、弱吸收及振动特征依赖环境导致的自动功能基团识别难题，研究人员提出了一种物理启发的双路卷积神经网络（CNN）。该模型通过协同建模局部诊断谱带与全局光谱上下文，在多个数据集上实现了优于主流方法的识别性能（macro-F1达0.9169），并展现出良好的跨数据集泛化能力与可扩展性。其硬件友好设计使得在常规办公级设备上也能快速完成训练，为实验室日常部署提供了高效、准确的自动化分析工具。

  来源：ACS Omega

  时间：2026-04-05

• 综述：机器学习在换热器中的应用：最新研究综述

  这篇综述全面总结了机器学习（ML）在换热器关键领域（如参数估计、性能预测、控制策略与设计优化）中的应用进展。文章指出，以人工神经网络（ANN）、高斯过程回归（GPR）、支持向量机（SVM）等为代表的ML方法，能够超越传统经验关联式，精准预测结垢、传热系数（HTC）、压力降等核心参数，并有效支持换热器的先进控制与多目标优化，为实现高效、稳定运行及面向工业4.0的数字孪生奠定了基础。

  来源：ACS Engineering Au

  时间：2026-04-05

• 面向物理信息学习的条件自适应增广拉格朗日方法及其在前向与反问题中的应用

  为解决物理信息神经网络（PINN）框架在求解偏微分方程（PDE）时面临的多约束平衡难、计算效率低、对高振荡解与长时间演化问题适应性不足等挑战，研究人员提出了一种新型的条件自适应增广拉格朗日方法（CAPU），并整合了约束聚合、单傅里叶特征映射及时间窗口策略等多项关键技术。该研究提出的PECANN-CAPU框架在跨音速稀疏波、涡旋可逆标量平流、高波数Helmholtz和Poisson方程以及反热源识别等一系列难题上取得了具有竞争力的高精度，显著提升了物理信息学习的鲁棒性、计算效率与应用范围，为科学计算领域带来了重要的方法学突破。

  来源：COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING

  时间：2026-04-05

• 混合深度学习与生成式AI增强的钢筋混凝土牛腿端部连接自动化设计

  钢筋混凝土牛腿端部连接（亦称半关节或格柏梁）因其在凹角处的高应力集中而易发生结构性破坏，准确评估其承载力对结构安全至关重要。本研究针对该领域实验数据稀缺、机器学习模型预测精度受限的瓶颈，创新性地将数值模拟与条件表格生成对抗网络（CTGAN）数据增强相结合，构建了包含1400个样本的数据集，并训练了ANN、GA-ANN和PSO-ANN模型。结果表明，GA-ANN模型预测最为精准（测试R2=0.954），经64组独立实验验证，模型泛化能力得到显著提升。研究进一步开发了机器学习辅助设计框架，可针对给定承载力需求预测多种可行的设计参数组合，为连接设计优化提供了强大工具，有力推动了数据驱动方法在结构工程中的应用。

  来源：Journal of Building Engineering

  时间：2026-04-05

• 面向极端数据偏斜场景的多通道数据融合多级图引导旋转机械故障诊断框架

  本文聚焦旋转机械在极端数据不平衡（Extreme Biased Data）条件下的故障诊断难题。针对传统单通道信号忽略多传感器互补信息、以及数据偏斜导致模型监督不足的核心瓶颈，研究团队创新性地提出了一种多通道数据融合的多级图引导诊断框架（MSGFD）。该框架通过新颖的预处理将多通道信号转换为RGB图像，构建包含四种拓扑的MultiGraph以捕获判别性信息，并设计了融合Graph MLP与Graph Transformer的多级特征学习架构，同时引入基于深度散度的聚类（DDC）损失来增强类间可分性。在多个数据集上的实验验证了该方法的鲁棒性和优越性，为工业设备智能运维提供了新思路。

  来源：TRENDS IN FOOD SCIENCE & TECHNOLOGY

  时间：2026-04-05

• VT-FLAC：一种基于可见光-热红外融合的鲁棒野外观测动物计数与定位新方法

  针对近地遥感图像中野生动物目标因模糊、遮挡、背景干扰和密度不均导致的计数与定位难题，研究人员提出了一种可见光-热红外融合模糊定位与动物计数（VT-FLAC）模型。该研究构建了青藏高原可见光-热红外动物计数数据集（QTVI-ACD），并设计了跨模态自适应特征聚合（CAFA）模块与混合回归-分类（HRC）损失函数。结果表明，VT-FLAC在多种公开数据集上均展现优越的计数准确性与定位鲁棒性，为AI在生物多样性监测与管理中的应用提供了先进的技术框架。

  来源：International Journal of Applied Earth Observation and Geoinformation

  时间：2026-04-05

• 城市交通流预测的竞争-合作时空框架：一种能识别正负道路交互作用的新方法

  本文提出了一种用于城市交通流预测的竞争-合作网络构建策略与双通道时空框架。该框架超越了传统使用单一、静态关联结构建模节点交互的方法，通过分解合作与竞争边，并进行并行处理与自适应融合，以显式地识别和利用道路间的正向与负向交互作用，从而更准确地刻画现实路网中的异构依赖关系。实验证明其在多个公开交通基准数据集上，尤其是中长期预测任务中表现优于现有技术，并为拥堵预警、信号控制等决策提供了可解释的交互模式。

  来源：Expert Systems with Applications

  时间：2026-04-05

• 基于人工神经网络的钠藻酸-石墨烯三元纳米流体磁热溶质输运数据驱动预测研究

  为解决非牛顿流体在热磁辐射及化学传质复杂工况下的模拟难题，研究人员针对含石墨烯-氧化石墨烯-银的三元纳米流体，在挤压流中结合卡森模型、横向磁场、热辐射与均相反应，开展了高保真数值模拟与人工神经网络（ANN）代理模型构建的研究。结果表明，所开发的ANN代理模型可精准预测速度、温度与浓度场，显著加速参数扫描与优化流程，为高性能冷却系统及过程强化设计提供了高效计算工具。

  来源：Engineering Science and Technology, an International Journal

  时间：2026-04-05

• 基于自注意力循环神经网络的振动信号配电网变压器故障预后分析

  本研究针对配电网和电力变压器作为关键设备在交流能源系统中的状态监测难题，探索了一种更精确的故障诊断方法。传统振动信号分析方法效果有限，而深度循环神经网络（RNNs）虽已展现出潜力，但其性能仍有提升空间。为此，研究人员将多头自注意力机制（MHSA）与双向门控循环单元（BiGRU）和双向长短期记忆网络（BiLSTM）相结合，构建了混合模型用于变压器故障预测。实验结果表明，MHSA-BiGRU模型在预测励磁电压时，相比BiGRU将相对绝对误差（RAE）降低了48%；MHSA-BiLSTM模型在预测匝间短路电流时，相比BiLSTM将RAE降低了28%。这项研究证明了整合MHSA能有效提升基于RNN的模型性能，为电力系统实现更精准、更鲁棒的状态监测提供了新方向。

  来源：Results in Engineering

  时间：2026-04-05

• DNMFNet：一种基于无监督深度非负矩阵分解网络的高光谱图像少样本分类新方法

  为解决高光谱图像分类中因标记样本稀缺导致的模型性能受限问题，研究人员提出了一种名为DNMFNet的无监督深度特征提取网络。该研究将经典的非负矩阵分解（NMF）扩展为多层架构，通过无监督学习卷积核，在无需标记数据和反向传播训练的条件下，实现了高效的深度谱空特征提取。实验表明，该方法在多个基准数据集上，仅用极少量标记样本便超越了现有少样本学习方法，为高光谱遥感解译提供了一种新颖、高效且可解释的技术路径。

  来源：Patient Education and Counseling

  时间：2026-04-05

知名企业招聘：