• 一种用于空间应用中深度神经网络推理的通用软件框架

  摘要：近期在硬件和软件技术方面的进步使得在资源有限的硬件环境中实现资源需求较高的深度学习算法成为可能。这为在越来越小的航天器上应用深度学习提供了机会。本文介绍了我们的神经网络执行框架（Neural Network Execution Framework），该框架旨在提供一个跨平台且可重用的平台，用于部署和执行针对航空航天应用的训练好的神经网络。无论这些神经网络最初是在何种深度学习框架中开发的，该框架都能在多种飞行软件框架、操作系统和硬件配置下执行其推理过程。我们首先以一个具体的实现为例，该实现用于执行我们从太阳动力学观测站（Solar Dynamics Observatory）获取的图像数据所

  来源：IEEE Aerospace and Electronic Systems Magazine

  时间：2025-11-21

• Spacecraft-NeRF：基于神经辐射场的隐式表示方法实现的高保真航天器重建

  摘要：获取航天器的外观和几何信息是开展在轨服务的关键环节之一。然而，在缺乏先验信息的情况下，大多数现有方法仍然需要从主动传感器收集原始数据，然后通过一系列复杂的重建过程进行处理。因此，对于高保真度的航天器重建和渲染来说，简单且易于实现的方法仍然具有挑战性。近期，基于神经辐射场的隐式表示技术在多种重建任务中表现出色。在这项工作中，我们重点关注在轨服务中的基本需求：1）二维视图合成；2）三维模型重建，并提出了一种高保真度重建方法——Spacecraft-NeRF。该方法利用segment anything模型生成的掩码图像来屏蔽室外场景中的复杂背景内容，通过

  来源：IEEE Transactions on Aerospace and Electronic Systems

  时间：2025-11-21

• 基于神经网络的联合缓解方法：处理IQ不平衡与PA非线性问题（支持多种状态）

  摘要：在无线通信领域，减轻同相（I）和正交（Q）不平衡以及功率放大器（PA）的非线性是一个非常重要的问题。在本文中，我们提出了一种新的神经网络（NN）模型，该模型可用于具有多种信号状态的发射机中非理想IQ调制器和PA的联合数字预失真（DPD）处理。该模型基于多任务学习（MTL）方法。在该模型中，主NN的隐藏层被所有信号状态共享，而输出层的权重和偏置由另一个NN动态生成。实验结果表明，所提出的模型能够有效地对IQ-PA系统进行联合DPD处理，并且在多种信号状态下实现了比现有方法更好的整体性能。引言在无线通信中，同相（I）和正交（Q）不平衡以及功率放大器（PA）的非线性是两种严重的硬件缺陷。减轻这

  来源：IEEE Wireless Communications Letters

  时间：2025-11-21

• 优化无细胞大规模MIMO系统中的能源效率：一种基于分布式深度神经网络的方法

  摘要：本文探讨了无蜂窝大规模多输入多输出（MIMO）系统中的下行链路功率分配问题。聚焦于能效（EE）优化，我们提出了一种由深度神经网络（DNN）驱动的分布式功率分配框架。该方法采用无监督学习策略，仅依赖于局部的大规模衰落信道统计信息来高效运行。此外，所提出的方法能够适应接入点（AP）数量不同的场景。数值结果凸显了该方法相对于各种基准方案的优势。引言无蜂窝大规模多输入多输出（MIMO）被认为是第六代（6G）无线通信系统的关键组成部分，它通过利用众多分布式接入点（AP）的协作传输，为用户设备（UE）提供统一的服务质量（QoS）[1]、[2]、[3]。随着移动流量的迅速增长和新用例的出现，无线通信网

  来源：IEEE Wireless Communications Letters

  时间：2025-11-21

• 在干扰对齐（ICI）条件下，利用神经网络辅助的M-PSK检测技术应用于802.11P车对车（V2V）正交频分复用（OFDM）系统

  摘要：本文研究了在为宽带车对车（V2V）通信环境设计的正交频分复用（OFDM）系统中，神经网络在正交相移键控（QPSK）信号检测中的应用。在这种情况下，由双色散信道引起的载波间干扰（ICI）会导致子载波的正交性丧失，从而严重损害检测性能。传统的线性和非线性ICI抑制技术在比特错误率（BER）性能和计算复杂度之间存在根本性的权衡，这限制了它们在高度动态的V2V环境中的有效性。本文提出了一种低复杂度的神经网络用于在ICI存在下的M-PSK检测。该方法包括一个预处理步骤，将干扰抑制转化为分类任务。结果表明，该方法的性能优于传统的非线性算法，同时其复杂度接近线性最小二乘检测。引言新兴的智能交通系统（I

  来源：IEEE Wireless Communications Letters

  时间：2025-11-21

• IALNet：一种用于大规模MIMO信道状态信息（CSI）反馈的集成注意力轻量级神经网络

  摘要：近期基于深度学习的信道状态信息（CSI）反馈方法取得了显著进展。然而，许多现有方法通过设计更复杂的深度学习模块来提高CSI的压缩效率和重建精度，但这会增加计算复杂性。在本文中，我们提出了一种新型的轻量级神经网络IALNet用于CSI反馈问题。在所提出的IALNet中，我们设计了一个集成注意力模块（IAM）来提升网络性能。具体而言，通过将CSI矩阵的垂直和水平方向的相关信息嵌入到信道注意力中，IALNet能够捕捉CSI矩阵的分布特征，同时关注垂直和水平方向上的重要区域，从而增强特征表示能力。广泛的实验结果表明，我们的IALNet在室内外场景中均优于之前的最佳技术（SOTA）网络，提供了一种

  来源：IEEE Wireless Communications Letters

  时间：2025-11-21

• HetSub：一种用于神经形态系统的异构多片上系统（Multi-NoC），配备可重构的长距离通信链路

  摘要：片上网络（NoC）由于其出色的多核通信性能，在神经形态系统中得到了广泛应用。然而，高能耗对NoC来说是一个严峻的挑战，随着技术节点的进步，静态功耗成为了一个主要问题。在神经形态计算中，这一问题更为突出，因为神经形态计算可以从数据的稀疏性中获益。然而，当前的神经形态硬件中的NoC架构在静态功耗优化方面做得还不够。虽然可以将传统的多核处理器解决方案（结合了功率门控（PG）和多个NoC（Multi-NoC））应用于神经形态硬件，但仍存在一些限制，例如串行化延迟和低网络利用率。在本文中，我们提出了一种轻量级的异构Multi-NoC架构，该架构利用神经形态计算的局部性来提高网络利用率，避免串行化延

  来源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  时间：2025-11-21

• 数据：通过神经架构搜索实现的具有内存效率的可变形变压器加速器

  摘要：由于其在特征提取方面的卓越能力，Transformer在人工智能（AI）领域得到了广泛应用。其变体——可变形Transformer，在自动驾驶和机器人技术中备受青睐，因为它采用了可变形注意力机制来增强特征提取效果。然而，由于可变形Transformer存在内存访问顺序混乱和数据依赖性问题，其在移动设备上的应用受到了很大限制。为了解决这些问题，本文提出了一种可变形注意力Transformer加速器（DATA），通过算法和硬件的协同优化来提升处理速度。具体而言，我们提出了一种基于内存感知的神经架构搜索（NAS）方法，通过构建连续的搜索空间自动获得高效的内存特征图切片方案。基于该切片方案，我们

  来源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  时间：2025-11-21

• 面向高效能计算与可信系统的VLSI设计新进展：NorCAS 2024精选论文解读

  在当今计算技术飞速发展的时代，我们正面临着前所未有的挑战：从需要瞬时响应的安全关键控制系统，到处理海量数据的高能物理实验；从保护个人隐私的嵌入式设备，到在资源受限的边缘端高效运行复杂的人工智能模型。这些应用场景对底层硬件提出了严苛的要求——不仅需要极高的计算性能和能效，还必须具备可靠的实时性、强大的安全性以及应对不同任务关键级别的灵活性。然而，传统的计算架构往往难以同时满足这些多元且矛盾的需求。例如，在中断驱动的系统中，频繁的上下文切换会成为性能瓶颈；在多处理器系统芯片（MP-SoC）中，硬件木马（Hardware Trojan, HT）可能潜伏于制造环节，威胁通信安全；而将庞大的图神经网络（

  来源：IEEE Transactions on Very Large Scale Integration (VLSI) Systems

  时间：2025-11-21

• 有限迭代约束的鲁棒自适应迭代学习控制算法，用于具有超速保护和追尾保护功能的高速列车在扰动环境下的控制

  摘要：为了确保完美的跟踪性能，大多数现有的迭代学习控制（ILC）方法在应用于自动高速列车（HST）运行控制系统时，都要求操作/迭代次数趋于无穷大。这在实际的列车运行控制实践中并不现实。本文提出了一种新的有限迭代约束鲁棒自适应迭代学习控制（FICRAILC）方法。该方法不仅能够实现有限次数的迭代收敛，还能保证超速保护和追尾保护，从而确保安全性。具体来说，收敛所需的迭代次数可以通过计算直接获得，并且可以根据所需的跟踪控制精度、可调控制器参数和初始系统值进行灵活调整。此外，还构建了一种新的控制策略，该策略将相邻列车的距离信息整合到设计的控制器中，从而可以调整与相邻列车的距离，始终保持安全距离。另外，

  来源：IEEE Transactions on Vehicular Technology

  时间：2025-11-21

• 一种应用于噪声干扰环境下AUV轨迹跟踪的AUV-TTN方案

  摘要：在海洋工程中，自主水下航行器（AUV）结合了自主导航、决策制定和操作技能，对于执行海洋任务至关重要。轨迹跟踪是评估AUV性能的关键指标，因此受到了广泛关注。然而，现有的AUV轨迹跟踪方法在控制精度方面存在局限性，并且需要大量的计算资源和时间，这限制了它们在动态环境中的实时应用能力。为了解决这些问题，本文将AUV轨迹跟踪问题简化为一个受不等式和等式约束的动态二次规划（IE-DQP）问题，并引入了归零神经网络（ZNN）模型来解决该问题。此外，为了减少水下噪声干扰，我们提出了基于弗罗贝尼乌斯范数的投影和椭圆ZNN（PEZNN）模型，并开发了两种符合AUV物理约束的投影函数。我们将上述方法统称为

  来源：IEEE Transactions on Vehicular Technology

  时间：2025-11-21

• 基于神经预测器的无人水面航行器编队控制：在非周期性拒绝服务攻击下的非合作博弈方法

  摘要：本文研究了一种基于非合作博弈的无人水面舰艇（USVs）编队控制策略，以应对拒绝服务（DoS）攻击。提出了一种具有弹性的纳什均衡（NE）估计器，该估计器能够在非周期性DoS攻击存在的情况下稳定地搜索和追踪NE解。为了提高预测精度，引入了结合加速学习的神经网络来高效逼近USV模型的未知参数。在非合作博弈框架内，设计了一种基于NE策略寻优的分布式控制策略，使每艘USV能够利用本地信息与邻近USV协调运动。仿真结果表明，所提出的控制方法在恶劣的网络环境中表现出强大的性能，有效减轻了DoS攻击的负面影响，并确保了USV编队和跟踪的精确控制。引言无人水面舰艇（USVs）是自主或远程操作的海洋航行器，

  来源：IEEE Transactions on Vehicular Technology

  时间：2025-11-21

• 基于事件相机与Loihi 2神经形态芯片的驾驶员动作学习预测系统N-DriverMotion

  随着人工智能技术在汽车工业的深度融合，车载AI系统已成为提升自动驾驶安全性的核心要素。据统计，高达95%的交通事故源于人为操作失误，欧盟与美国已强制要求新车配备高级驾驶辅助系统(ADAS)，预计到2038年可挽救超过2.5万人的生命。然而，传统基于GPU的视觉系统存在高功耗、高延迟等瓶颈，难以满足复杂驾驶场景下的实时响应需求。在这一背景下，神经形态计算技术仿生生物视觉系统，通过事件相机（又称神经形态相机）和神经形态处理器，实现了微秒级响应与毫瓦级功耗的突破性表现。但现有系统在面对高分辨率事件流处理时，仍存在模型复杂度过高、内存占用大、难以适配边缘设备等问题。为此，纽约州立大学韩国分校研究团队开

  来源：IEEE Open Journal of Vehicular Technology

  时间：2025-11-21

• 基于视神经头光学相干断层扫描血管造影的深度学习方法用于估计24×2视野图

  人工智能在视网膜光学相干断层扫描血管成像（OCTA）图像中的应用，展示出在估算24-2视野图（VF）方面的高准确性。这项研究的核心在于开发一种深度学习（DL）模型，该模型能够通过OCTA视神经乳头（ONH）的横断面图像，预测与视野损伤相关的指标，如平均偏差（MD）、模式标准差（PSD）、52个点的总偏差（TD）和模式偏差（PD）。与传统的线性回归（LR）模型相比，深度学习方法在多个评估维度上表现出更优的性能。这一成果为眼科临床实践提供了新的可能性，尤其是在减少视野测试频率方面，有助于提高诊断效率和患者体验。### 研究背景与意义在青光眼的发展过程中，视神经乳头和视网膜神经节细胞会逐渐受到损害，

  来源：Journal of Glaucoma

  时间：2025-11-21

• 基于ANN的电动汽车快速充电控制策略：结合智能电池热管理与可再生能源资源

  摘要：随着人们对大气中污染物问题的日益关注，汽车制造商被推动生产可持续且环保的交通工具。快速充电技术（目标是最短充电时间）有望加速电池驱动汽车的普及。本研究提出了一种快速电动汽车充电系统的原型，该系统与由可持续能源供电的独立直流微电网相连。在这项研究中，通过将模型预测控制（MPC）与人工神经网络（ANN）相结合，而非仅使用MPC，建立了一种新的基于深度神经网络（DNN）的控制方法，从而在波动的环境下显著提升了电力需求控制的安全性。人工神经网络监督系统利用来自清洁能源资源和电池备用设备的电力来管理电动汽车（EV）的快速直流充电过程。为了确保电动汽车电池在极端使用条件下的安全性和效率，本文提出了一

  来源：IEEE Transactions on Transportation Electrification

  时间：2025-11-21

• 利用智能数据分析技术对高等教育申请者进行画像与原型分析

  摘要：学生辍学是高等教育面临的一个重大挑战，这不仅在社会上引发挫败感，还浪费了资源。因此，如何留住学生成为全球高等教育机构持续关注的焦点。本研究探讨了一个问题：是否可以通过智能预测数据分析技术来降低公立和私立大学的辍学率？为了解答这个问题，我们采用了一种基于历史数据的方法论，这些数据来自大约13,715名后来成为大学生的申请者。与其他仅使用公开数据和统计信息的研究不同，我们的研究依赖于五年来关于学生行为的实际数据，并将这些数据整合成了27个与社会经济、学术和家庭因素相关的变量进行深入分析。本文主要有两个贡献：首先，我们提出了智能预测数据分析技术，并证明了可以通过对申请者进行画像和分类来降低辍学

  来源：IEEE Revista Iberoamericana de Tecnologias del Aprendizaje

  时间：2025-11-21

• 超越童年：理解成人多动症（ADHD）

  摘要 注意缺陷/多动障碍（ADHD）是一种神经发育障碍，通常会持续到成年期。成年人可能首先在初级保健机构被诊断出该疾病，有时是在之前未被发现的儿童期症状出现之后。关于“新发”（即“成人期发病”的ADHD）的报告仍存在争议；经过仔细审查后，这些病例大多可以归因于儿童期症状未达到诊断标准、其他精神或医学原因，或是测量误差。如果一名成年人出现ADHD的症状，但无法证明其发病时间早于12岁，医疗提供者在将其诊断为成人期发病的ADHD之前，应系统地排除其他类似病症，包括情绪障碍、焦虑障碍、物质使用障碍、睡眠障碍、脑外伤、甲状腺疾病以及药物副作

  来源：JAAPA

  时间：2025-11-21

• 基于多项式Petri模糊神经网络的控制策略在微电网集群中的频率和电压稳定化应用

  摘要：随着现代电力系统复杂性的增加以及分布式能源资源整合程度的不断提高，微电网集群（MGCs）需要采用先进的控制策略。本研究探讨了在MGCs中采用基于多项式Petri模糊神经网络（PPFNN）的控制器来应对这些挑战。PPFNN控制器结合了多项式理论、Petri网和模糊神经网络的优点，为互联微电网之间的动态共识和协调提供了强大的框架。传统的控制方法在处理微电网系统的动态性和随机性方面往往显得力不从心。PPFNN控制器凭借其模糊逻辑的鲁棒性和神经网络的学习能力，为维持电压稳定性、频率调节和高效电力共享提供了更优的解决方案。研究表明，采用PPFNN控制器不仅提高了MGCs的运行韧性，还保持了电压和频

  来源：IEEE Systems Journal

  时间：2025-11-21

• 基于联邦学习的分布式定位技术：针对智能电网中虚假数据注入攻击的防护措施

  摘要：智能电网上的数据分析和监控受到网络物理系统攻击的威胁。虚假数据注入攻击（FDIA）是一种针对智能测量设备的攻击方式，通过注入恶意数据来实现。机器学习技术在检测和定位FDIA方面被证明是有效的。然而，训练此类模型需要处理敏感的用户数据，这在实际应用中可能不可行。通过采用联邦学习技术，可以在保护敏感用户数据隐私的同时，训练出用于检测和定位FDIA的模型。不过，联邦学习引入了新的问题，例如每个节点中检测器的个性化问题。在本文中，我们提出了一种基于联邦学习的方案，该方案结合了混合深度神经网络架构，利用图神经网络来捕捉连接的电力总线之间的局部相关性，并通过长短期记忆层来分析数据中的时间模式。所提出

  来源：IEEE Systems Journal

  时间：2025-11-21

• 显而易见：基于人工智能的边缘计算平台异常检测

  摘要：作为物联网（IoT）节点的嵌入式系统常常容易受到恶意或未知运行时软件的攻击，这些软件可能会损害系统安全、窃取敏感数据并导致系统行为异常。用于自动化、医疗设备和汽车行业的商用嵌入式系统尤其容易受到这种威胁，因为它们缺乏集成传统安全功能的资源，而且通过传统方法难以对其进行防护。我们提出了一种名为APPARENT的新系统设计，该设计通过监控和统计程序执行过程中硬件性能计数器（HPCs）发生的最大低级硬件事件数量来识别程序特征，并分析各种被监控事件之间的相关性。为了进一步利用这些捕获的事件作为特征，我们提出了一种基于自监督机器学习的算法，该算法结合了图注意力网络（GAT）和生成拓扑映射（GTM）

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

知名企业招聘：