• CRM-NAS：一种基于结构适应性和注意力机制的指纹重建方法，用于处理噪声干扰的OCT数据

  摘要：作为重要的生物特征，指纹已被广泛应用于各种安全领域。然而，传统的自动指纹识别系统（AFIS）的性能受到外部指纹（EF）质量的限制，尤其是在指纹受损或变形的情况下。利用光学相干断层扫描（OCT）获取的内部指纹（IF）来克服这些限制被认为是一种有前景的方法。内部指纹能够弥补和恢复退化外部指纹中缺失的纹路特征，从而提高AFIS的整体识别准确性。然而，OCT图像中的散斑噪声严重限制了内部指纹的重建，使得准确提取手指组织轮廓变得复杂且计算量大。为了提高OCT指纹技术的适用性，本文提出了一种基于神经架构搜索（NAS）的OCT指尖内部轮廓回归网络，称为CRM-NAS。CRM-NAS采用基于NAS的内部

  来源：IEEE Transactions on Information Forensics and Security

  时间：2025-11-24

• 用于肌腱-鞘驱动机器人的离散时间自适应神经网络控制

  摘要：肌腱-鞘机构因其高柔韧性和远距离传递动力的能力，在康复、外科手术和救援机器人领域得到广泛应用。然而，鞘配置依赖的非线性特性使得对肌腱-鞘驱动机器人的精确控制变得颇具挑战性。在本文中，我们研究了离散时间域内肌腱-鞘驱动机器人的跟踪控制问题。首先，利用欧拉近似方法建立了一类多关节肌腱-鞘驱动机器人的离散数学模型。该模型全面考虑了肌腱与鞘之间的摩擦、肌腱变形以及末端负载对机器人动力学的影响。随后，通过反步技术为肌腱-鞘驱动机器人提出了一种离散时间自适应神经网络（NN）控制器。该控制器采用径向基函数神经网络（RBFNN）来逼近未知的非线性函数，并通过两种自适应更新律来调整动态参数，从而有效应对系

  来源：IEEE Transactions on Industrial Electronics

  时间：2025-11-24

• 超越均值：神经渲染中感知质量统计度量框架的建立与验证

  在虚拟现实和增强现实技术飞速发展的今天，新视角合成（Novel View Synthesis，NVS）作为生成沉浸式体验的核心技术，其重要性不言而喻。通过神经渲染（Neural Rendering）技术，例如神经辐射场（NeRF）及其后续发展模型，人们能够从稀疏的观测点生成场景的逼真新视图，这为自由视点导航和高保真沉浸感提供了可能。然而，一个长期存在的实践是，大多数神经渲染模型在评估其性能时，仅报告合成新视图的均值（Mean）作为整体感知质量的指标。这种做法是否足够可靠？均值能否全面捕捉用户在沉浸式环境中的真实体验？这些问题引发了研究社区的深入思考。毕竟，在沉浸式显示中，NVS系统的成功与否，

  来源：IEEE Open Journal on Immersive Displays

  时间：2025-11-24

• 基于贝叶斯学习的自动调制分类：面向边缘计算的OOD检测新方法

  在无线通信系统中，自动调制分类（AMC）技术犹如信号的“身份证识别器”，对频谱管理、干扰识别和安全防护具有关键作用。传统基于深度学习的AMC方法虽然在高信噪比环境下表现优异，却存在一个致命缺陷：当遇到训练时未曾见过的调制类型时，系统会强行将其归类为已知类别，并给出高置信度错误判断。这种“过度自信”的预测行为在军事侦察、物联网设备识别等实际场景中可能带来严重后果。更棘手的是，现实通信环境中的信号往往伴随着复杂噪声和干扰，信噪比（SNR）波动剧烈。传统方法在低信噪比条件下性能急剧下降，且无法对预测结果的不确定性进行量化。随着边缘计算设备的普及，如何在有限的计算资源下实现可靠且具备“自知之明”的AM

  来源：IEICE Communications Express

  时间：2025-11-24

• 基于脑电神经反馈的Lokomat步行动作意象训练增强完全性脊髓损伤患者的运动节律

  当脊髓遭遇严重损伤，大脑与肢体间的神经通路就像被切断的电缆，导致运动功能永久性丧失。尤其对于被诊断为完全性脊髓损伤（ASIA A级）的患者，传统康复手段往往收效甚微。然而，近年来科学家发现，即使在外周运动通路中断的情况下，大脑仍保留着指挥运动的"记忆密码"——通过想象行走动作（运动意象，Motor Imagery, MI），能够激活大脑运动皮层的特定节律活动。这为瘫痪患者的康复带来了新的曙光。但如何让患者准确掌握这种"意念行走"的技巧？单纯依靠想象犹如盲人摸象，缺乏实时反馈使得训练效果大打折扣。与此同时，机器人辅助步态训练设备Lokomat虽能提供精准的被动步行训练，但其产生的机械运动本身就会

  来源：IEEE Transactions on Human-Machine Systems

  时间：2025-11-24

• 以人为中心的自动驾驶中的汽车驾驶舱与驾驶集成：一项综述

  摘要：智能驾驶旨在处理复杂环境中的动态驾驶任务，而车载驾驶员的行为则较少受到关注。相比之下，智能驾驶舱主要侧重于与驾驶员的互动，与驾驶场景的关联相对有限。由于车载驾驶员的行为可能对驾驶策略产生显著影响，从而对自动驾驶车辆的安全性产生不可忽视的影响，因此通常需要将驾驶舱与驾驶系统的集成（CDI）纳入考虑范围，以便在制定驾驶策略时充分考虑驾驶员的行为和意图。然而，尽管CDI在安全驾驶中发挥着重要作用，但目前尚缺乏对现有CDI技术的全面综述。因此，我们有必要总结CDI方法的最新进展，并研究其发展趋势。为此，我们详细探讨了CDI在自动驾驶车辆感知和决策中的应用，并指出了亟需解决的关键问题。此外，我们提

  来源：IEEE Transactions on Human-Machine Systems

  时间：2025-11-24

• 基于不可预测的预期活动的紧急运动意图检测：一项脑电图（EEG）研究

  摘要：目的：紧急情况预判（EA）是指大脑在面对迫在眉睫的紧急情况时迅速进行的感知、认知和运动准备。及时解读这种预判机制有助于在行为完全执行之前采取主动应对措施，这在现实世界中至关重要，例如避免危险或减轻事故后果。然而，支撑这一预判过程的皮层激活机制尚未得到充分研究。本研究旨在分析紧急情况预判过程中的神经活动，并探讨结合脑机接口（BCI）技术检测紧急运动意图的可行性。方法：我们在虚拟环境中设计了一种新的紧急状态诱导范式，包括一项目标任务（紧急情况预判，EA）和两项基线任务（紧急情况预判执行，EAE；视觉观察，VO）。共有31名健康受试者参与了这项离线实验。通过分析事件相关电位、运动相关皮层电位以

  来源：IEEE Transactions on Human-Machine Systems

  时间：2025-11-24

• 在未知欺骗攻击下，针对MIMO切换式CPSs的弹性自适应安全控制

  摘要：本文研究了在未知的传感器和执行器欺骗攻击下，多输入多输出（MIMO）切换式网络物理系统（CPSs）的控制问题。由于存在未知的欺骗攻击，系统状态会受到影响，导致传感器无法获取准确的状态变量以进行反馈。为了解决这个问题，本文设计了一种新的坐标变换方法和攻击补偿器，这些方法利用了受损的状态变量。此外，还结合了径向基函数神经网络（RBF NNs）和动态表面控制（DSC）技术来减轻执行器欺骗攻击的影响。考虑到通信资源的限制，本文提出了一种两位触发（TBT）机制以进一步节省通信资源。在任意切换规则和所提出的控制方案下，可以保证闭环系统中的所有信号都均匀地收敛到原点的一个小邻域内，且稳定性误差也会收敛

  来源：IEEE Transactions on Green Communications and Networking

  时间：2025-11-24

• IPQC：一种智能量子图卷积网络，用于绿色物联网中的拓扑数据处理

  摘要：在绿色物联网（Green IoT）应用中处理图结构数据需要同时关注分析精度和能源效率。尽管量子图神经网络（QGNNs）提供了一种有前景的计算范式，但它们所依赖的参数化量子电路（PQC）通常需要过高的计算深度且缺乏鲁棒性，这限制了其在资源受限环境中的应用。本文的核心问题是如何设计一种受量子启发的图卷积网络（GCN），使其在保持表达能力的同时，采用浅层、低能耗的电路设计，从而实现可持续的绿色物联网部署。我们的主要贡献有三个方面：首先，我们设计了智能参数化量子电路（IPQC），这是一种紧凑的、包含15个参数的双向控制量子卷积模块，它在提升表达能力的同时保持了参数效率和抗噪声能力；其次，基于该模

  来源：IEEE Transactions on Green Communications and Networking

  时间：2025-11-24

• 利用动态因果图提升时空预测模型的性能

  摘要时空预测在许多应用中已成为一项重要任务，例如交通预测。由于数据具有时空特性，大多数先进方法严重依赖图神经网络来模拟内在的空间关系。然而，这些方法大多通过应用预先存在的邻接知识或学习静态的自适应邻接矩阵来处理空间数据。因此，在空间依赖性随时间变化的动态情况下，它们的预测性能受到限制。此外，考虑到随机训练过程，从头开始学习自适应邻接矩阵也使得神经网络难以获得稳定的参数和性能。为了解决上述挑战，本文提出了三种实用的扩展方法，将动态因果知识融入图卷积网络的训练中。首先，我们使用一种动态因果发现算法分析了交通节点之间的动态因果关系，并在每个扩展模型中应用该算法。随后，空间模块利用动态因果图来揭示节点

  来源：ACM Transactions on Spatial Algorithms and Systems

  时间：2025-11-24

• 重新思考多模态序列推荐中的卷积神经网络

  摘要多模态数据能够更全面地反映用户兴趣的变化，因此近年来多模态序列推荐（MSRS）受到了广泛关注。然而，MSRS面临两个关键挑战：（1）如何有效地建模用户交互序列中的长距离依赖关系；（2）如何高效地融合多模态特征。为了解决这些挑战，本文提出了一种基于纯卷积神经网络（CNN）的新型多模态序列推荐架构，称为PCMSRec。PCMSRec包含两个关键创新点：首先，通过使用大核卷积的全局感受野来建模多模态用户交互序列中的长距离依赖关系，突破了现有基于CNN的方法只能捕获局部短距离依赖关系的局限；其次，利用CNN架构的高灵活性，通过精心设计的卷积层架构和融合策略来建模项目多模态特征之间的关系。具体来说，

  来源：ACM Transactions on Information Systems

  时间：2025-11-24

• 高维神经网络势能中的长程相互作用：针对小有机分子的基准研究

  许多机器学习势（MLPs）依赖于根据原子在其局部环境中的位置来表示总能量，通常使用截止半径或有限数量的消息传递层来实现。这限制了它们准确模拟长程分子间相互作用的能力。可以通过将长程静电和色散相互作用明确纳入MLP框架来克服这一限制。在本文中，我们研究了在高维神经网络势（HDNNPs）中加入静电和色散修正对预测小有机分子间气相分子相互作用的影响。我们采用基于机器学习的电荷平衡（QEq）方案来模拟静电作用，并使用机器学习交换-空穴偶极矩（MLXDM）模型来解释色散效应。所开发的CombineNet模型将这些长程项与基于密度泛函理论（DFT）数据训练得到的短程原子能量相结合，在DES370K测试集上

  来源：The Journal of Physical Chemistry B

  时间：2025-11-24

• 通过标签混合策略制定稳健的化学反应条件建议

  在人工智能驱动的化学研究中，推荐最佳反应条件仍然是一个核心挑战，这主要是由于条件特征的表示能力有限以及标记数据的稀疏性所致。我们提出了一种协同过滤框架，该框架利用图神经网络对反应条件进行编码，并通过差分交叉注意力机制捕捉这些条件与反应之间的相互作用，从而有选择地关注最相关的条件特征。为了减少数据集中的噪声和稀疏性问题，我们引入了“标签混合”策略，通过混合条件标签来增强训练信号；同时采用共现矩阵正则化来促进具有化学意义的相互作用。在多个基准数据集上的广泛评估表明，我们的方法在完整数据和少量样本情况下均表现出色，在准确性、泛化能力和鲁棒性方面均取得了显著的提升。

  来源：Journal of Chemical Information and Modeling

  时间：2025-11-24

• 铋替代的钇铁石榴石薄膜及介观结构中，应变介导的磁各向异性与磁化反转电压控制

  在现代科技的发展中，磁性材料的调控能力对于新型电子器件的开发具有重要意义。近年来，研究者们致力于探索通过外部电场调控磁性的方法，以实现低能耗、高密度的磁性存储和计算设备。本研究聚焦于一种由铋掺杂的钇铁石榴石（Bi-YIG）薄膜与压电材料PMN–PT组成的多铁异质结构，探讨了电场对磁性各向异性的影响，以及如何通过电压诱导的应变实现对磁畴状态的控制。Bi-YIG是一种具有优异磁性和光学特性的铁氧体材料，其特性包括低损耗角正切、高磁滞回线的可调性、低吉尔伯特阻尼系数和显著的磁光效应。这些特性使其在光学隔离器、电流传感器、自旋电子学器件以及磁子器件等应用中展现出巨大潜力。相比之下，传统磁性材料如镍、钴

  来源：ACS Applied Materials & Interfaces

  时间：2025-11-24

• 有机电化学神经元：用于复杂动力学的非线性工具

  随着人工智能和生物电子学的迅速发展，模拟生物神经元的动态行为成为一种重要的研究方向。尤其是在神经形态计算和生物接口技术领域，研究人员正在探索如何利用人工神经元实现类似生物神经元的功能，包括感知、信号处理和动态响应等。在这一背景下，混合振荡器架构逐渐成为一种有前景的平台，它结合了反馈振荡器和具有负微分电阻特性的自持振荡器，为构建具有生物启发性的神经元系统提供了新的可能性。### 混合振荡器：连接生物神经与电子器件的桥梁传统的反馈振荡器在电子工程中已有广泛应用，例如在振荡器设计中通过负反馈机制实现稳定的振荡行为。然而，这些系统往往依赖于精确的电路参数和复杂的设计流程，难以直接模拟生物神经元的动态特

  来源：ACS Applied Electronic Materials

  时间：2025-11-24

• 向防御者解释：基于SHAP的防御机制，用于抵御P2P信用风险中的对抗性攻击

  在当今金融领域，随着人工智能（AI）技术的迅速发展，特别是机器学习（ML）的广泛应用，P2P（点对点）借贷平台正面临前所未有的挑战和机遇。这些平台通过连接借款人和投资者，提供了一种替代传统金融机构的创新融资方式。然而，这种基于数据驱动的决策过程也带来了新的风险，尤其是在模型可能被恶意攻击的背景下。本文探讨了神经网络在P2P借贷中的信用风险评估模型如何受到对抗性攻击的影响，并提出了一个结合对抗性训练和SHAP（SHapley Additive exPlanations）驱动的模型切换机制，以提高模型的可靠性与安全性。P2P借贷平台与传统金融机构的核心区别在于其去中介化和高度数字化的特性。这种特性

  来源：Expert Systems with Applications

  时间：2025-11-24

• 一种多传感器跨尺度时频网络，用于噪声环境中的智能齿轮故障诊断

  高精度齿轮故障诊断在工业系统中具有至关重要的作用。齿轮作为机械系统中传递动力、改变速度和扭矩、调整运动方向的关键部件，其状态直接影响整个系统的运行效率和安全性。然而，实际中采集到的齿轮振动信号往往受到强烈的噪声干扰，这使得传统故障诊断方法的准确性大打折扣。因此，如何有效提取齿轮故障特征并提高诊断精度，成为当前研究的重点。本文提出了一种基于多传感器交叉尺度时频网络的智能齿轮故障诊断方法，旨在解决现有方法在信息利用不足、噪声干扰严重以及诊断精度较低等问题。随着工业自动化和智能化的不断推进，传感器技术的进步与计算机硬件性能的提升，使得基于数据驱动的故障诊断方法成为主流。传统方法通常分为两个主要步骤：

  来源：Engineering Applications of Artificial Intelligence

  时间：2025-11-24

• HG-PINN：一种基于残差物理信息的神经网络框架，用于异质地下水流动模拟

  在当前的地下水流动模拟研究中，传统的数值方法如有限差分法（FDM）、有限元法（FEM）和有限体积法（FVM）虽然在规则几何和明确边界条件下表现良好，但在处理复杂地形、强烈异质性和不规则边界等问题时，往往需要大量的模型构建和计算资源。这限制了它们在实际工程中的应用，尤其是在面对高非均匀性地下水系统时。为了解决这些问题，研究者提出了物理信息神经网络（PINNs）的方法，通过将物理定律直接嵌入深度学习框架，实现从数据和物理规律的同时学习。然而，传统的PINNs在高非均匀性地质条件下常常面临收敛速度慢和精度有限的问题。为了克服上述限制，本文提出了一种增强型框架，即异质性引导的物理信息神经网络（HG-P

  来源：Desalination and Water Treatment

  时间：2025-11-24

• 用于去除头孢克肟的三元异质结Bi₂WO₆/TiO₂/GO光催化剂：实验表征的衔接、基于光催化反应的神经网络建模、遗传算法优化以及密度泛函理论计算

  这篇研究围绕一种新型的三元光催化剂——Bi₂WO₆/TiO₂/GO（BTG）在去除抗生素药物头孢克肟（Cefixime, CFX）方面的应用展开。随着全球抗生素使用量的增加，这些药物在水体中的残留问题日益严重，不仅对环境造成污染，还可能引发抗生素耐药性等健康风险。因此，开发一种高效、可重复利用且环境友好的降解技术成为当务之急。本文通过实验与计算相结合的方法，对BTG催化剂的结构、性能以及其在CFX降解过程中的作用机制进行了深入探讨。首先，研究者采用了一种绿色、可重复利用的合成方法制备了BTG三元光催化剂。该催化剂由Bi₂WO₆、TiO₂和氧化石墨烯（GO）组成，通过实验优化了各组分的质量比例。

  来源：Applied Catalysis B: Environment and Energy

  时间：2025-11-24

• 罕见非创伤性胸椎滑脱症的诊疗策略与手术干预：一例报告及文献综述

  在脊柱外科领域，胸椎滑脱症一直被视为临床上的"稀有物种"，尤其是非创伤性病例更为罕见。这主要归因于胸椎独特的解剖结构：肋骨框架与关节突关节共同构建了强大的稳定性堡垒，使退行性滑脱在这一区域难得一见。然而，正是这种罕见性导致临床诊断常常被延误，许多患者因症状不典型而被误诊为常见的腰椎疾病，错失最佳治疗时机。这种疾病的临床表现颇具迷惑性，患者可能仅表现为慢性腰痛或下肢麻木，但严重时会出现步态不稳、排尿功能障碍等脊髓压迫症状。由于胸段脊髓容纳着重要的神经传导束，一旦受压可能造成不可逆的神经损伤，因此早期准确诊断显得尤为重要。《Journal of Surgical Case Reports》近期报道

  来源：Journal of Surgical Case Reports

  时间：2025-11-24

知名企业招聘：