• MoS2@CTS-IIP长周期光纤光栅的解调技术实现了对镉离子和温度的高灵敏度检测

  提出基于长周期光纤光栅（LPFG）和MoS₂@CTS离子印迹聚合物（IIP）的双参数光纤传感方案，有效抑制温度交叉干扰。实验表明该传感器在1-10 nM浓度范围内实现Cd²⁺检测限0.489 nM、灵敏度0.246 nm/nM，温度测量R²达0.9973，为复杂水体重金属监测提供高精度解决方案。

  来源：Materials Science in Semiconductor Processing

  时间：2026-04-03

• 混合电凝聚-纳滤法处理高浓度乳品废水：利用人工神经网络（ANN）和随机搜索方法（RSM）对COD去除效果及膜污染控制进行建模

  本研究采用电凝聚-纳滤（EC-NF）系统处理高浓度乳品废水，优化EC参数（电流7.2A，电解时间56.4min，电极间距1.25cm），COD去除率达84.52%。ANN预测精度优于RSM（R²=0.9974）。NF阶段在4-6bar压力下分别去除94%和95.15% COD，膜污染降低，FTIR、XRD和SEM-EDS分析验证了污染物有效去除及铝氧絮体形成，系统兼具高效、可扩展和可持续性。

  来源：Journal of the Indian Chemical Society

  时间：2026-04-03

• 基于交联互穿网络的分布式、可伸缩触觉传感技术，用于灵巧的机器人手部

  灵巧机械手触觉传感器研究提出可拉伸分布式阵列设计，采用准均匀功能层与复合电极实现高灵敏度（90.1%识别准确率）、低滞后和超万次循环可靠性，集成数字孪生实时交互，适用于自适应抓取与远程操控。

  来源：Science China-Materials

  时间：2026-04-03

• 针对Noen-Intrusive Load Monitoring（NILM）的状态细分方法，采用了经过校准的bagged Seq2Point一维卷积神经网络

  非侵入式负荷监测通过低频智能电表数据解耦多家电状态，传统方法存在标签噪声、类不平衡、概率校准不足及时序碎片化问题。本文提出CB-S2P框架，集成设备特异性阈值优化、类平衡交叉熵损失、温度校准和时序平滑机制，并采用三重聚集策略。实验表明，在REDD数据集上各家电准确率达0.98-0.99，F1分数0.98-0.99，优于基线CNN。

  来源：ENERGY AND BUILDINGS

  时间：2026-04-03

• 在数据有限的情况下，为能源模拟、减排和需求响应提供准确的短期全球温室气体（GHI）预测

  可靠预测全球水平直射辐照度（GHI）对优化太阳能整合和电网稳定至关重要。本研究提出粒子滤波循环神经网络（PF-RNN）架构，通过粒子滤波生成多样化的数据增强，解决数据稀缺问题，显著提升GHI预测精度，并验证其在实际建筑能源管理中的有效性，实现30%峰值负荷降低和显著节能减排效益。

  来源：ENERGY AND BUILDINGS

  时间：2026-04-03

• 基于分离变量法的物理理论为求解动态偏微分方程（PDEs）的神经算子提供了理论基础

  针对传统物理信息神经网络在求解动态高阶PDE时存在的频谱偏差、优化困难及离散系统建模局限等问题，本文提出分离变量物理信息神经算子（SV-PINO）方法。该方法通过分离变量将动态PDE转化为空间可分离的常微分方程（ODE），结合动态基网络（DRBN）分解源项和KINN架构求解ODE，实现高维参数的高效优化与频谱特性增强。实验表明SV-PINO在处理高频振荡、复杂边界条件及离散系统动态响应问题时具有更优的精度和泛化能力，同时解决了多目标优化冲突问题。

  来源：MECHANICAL SYSTEMS AND SIGNAL PROCESSING

  时间：2026-04-03

• HEAGAN：采用部分权重共享的混合进化多目标GAN架构搜索方法

  HEAGAN提出了一种高效的混合进化神经网络架构搜索框架，通过结合遗传算法和粒子群优化，以及部分权重共享策略，解决了GAN训练不稳定和架构设计依赖人工的问题，显著提升了生成质量与跨数据集泛化能力，并验证了各组件的有效性。

  来源：Expert Systems with Applications

  时间：2026-04-03

• 基于神经网络和物理模型的增量成形多特征部件的几何精度反馈控制方法

  本文提出基于物理信息神经网络（PINN）的几何误差预测模型及工具路径优化算法，通过补偿策略将复杂组件的几何误差平均降低52.7%-68.1%，验证了模型的有效性。

  来源：Engineering Applications of Artificial Intelligence

  时间：2026-04-03

• 利用自适应异构图基学习和自适应进化优化结合局部细化的多标签特征选择方法

  针对高维数据中复杂的特征-标签交互和强标签相关性的多标签特征选择难题，提出一种融合自适应异构图神经网络、自适应性差分进化和元启发式局部优化的混合框架。实验表明，该方法在六个基准数据集上显著优于现有方法，特征数量更少且分类指标（Hamming Loss, One-Error等）提升，验证了多模态联合优化和动态自适应机制的有效性。

  来源：Engineering Applications of Artificial Intelligence

  时间：2026-04-03

• CCDNN：一种用于多源数据融合的新型深度学习架构

  本文针对多源数据融合的挑战，提出基于典型相关约束的深度神经网络CCDNN，通过冗余过滤器减少冗余，在重构、分类、预测任务中表现优于传统方法，并验证其在工业故障诊断中的应用效果。

  来源：IEEE/CAA Journal of Automatica Sinica

  时间：2026-04-03

知名企业招聘：