本期专刊收录了六项关于神经网络及相关智能系统中对称性与非对称性的研究。这些研究涵盖模糊系统控制、传染病建模、视觉识别、签名分类以及小样本预测等领域。
在这些研究中，对称性支持结构化建模、协同特征处理以及稳定性分析，而非对称性则来源于时滞、扰动、信息不均衡以及验证性能与泛化性能之间的差异。
两篇文章聚焦于Takagi–Sugeno（T-S）模糊描述系统的容许性与镇定问题。Yang等人结合非二次模糊Lyapunov函数、隶属函数导数信息以及不等式放缩技术展开研究。他们提出的条件不要求每一个模糊子系统都是渐近稳定的，并开发了PDC和非PDC两种控制器。数值仿真和实际案例表明，该方法降低了保守性并扩大了可行域范围[1]。Yang和Zhang利用对称的Lyapunov–Krasovskii泛函、隶属函数导数界、Jensen积分不等式以及辅助松弛矩阵，研究了时滞描述系统。他们的判据涵盖了开环容许性和闭环镇定问题，同时以可管理的计算复杂度实现了更大的允许时滞界[2]。
第三项控制领域的贡献将相关思想应用于传染病动力学。Liu等人建立了一个随机易感-感染-康复（SIR）模型，其中引入电报噪声以表征周期性环境变化，引入Lévy噪声以表征突发冲击。通过T-S模糊建模（包括隶属函数的对称性）获得了可处理的表示形式。作者构建了积分滑模面并设计了自适应滑模控制器，仿真结果表明在所述扰动假设下，模型得到了镇定，疾病传播得到了抑制[3]。
本期专刊还包含两项关于卷积神经网络视觉任务的研究。Liu等人提出了高效空间通道注意力机制（ESCA），这是一种对称模块，能够协同通道特征与目标空间位置。该设计避免了挤压与激发模块中使用的降维操作，排除了全局最大池化，并引入了无降维的局部跨通道交互。在分类和检测架构上的测试表明，该方法以较小的额外开销取得了性能提升；在报告的ResNet-50基准测试中，ESCA使FLOPs增加0.14%，同时将Top-1准确率提升了超过6.33%，Top-5准确率提升了超过3.25%[4]。Ozkan和Erdogmus通过Si-CNN架构及其变体Si-CNN+NC解决了离线手写签名分类问题，后者融入了所提出的Si-CL分类层及损失函数。模型在C-Signatures和Cedar数据集上进行了评估，并以MNIST作为额外基准，与迁移学习的GoogLeNet、DenseNet201、Inceptionv3和ResNet50进行了对比。Si-CNN+NC在所评估的签名任务中提供了分类准确率与速度之间最强的综合表现[5]。
最后一篇文章考察了评估过程本身中的非对称性。Zhao等人研究了仅使用17条有序五阶滞后输入-目标行的CNN预测方法，其中14条用于开发，3条作为锁定的外部测试集。重复鲸鱼优化算法和白鲸优化算法搜索与固定手动CNN分别在洗牌验证和滚动起源验证下进行了比较。较低的验证误差并不能一致地产生较低的锁定测试误差，优化后的模型也不能可靠地优于匹配的手动网络。一个简单的均值增量基线方法获得了报告中最低的MAPE，为0.63%。作者进一步利用160条独立模拟序列考察了样本量和验证选择的影响。这些结果提供了一个明确的警示：在观测数据极其稀缺的情况下，优化器收敛和有利的验证分数不足以证明模型的泛化能力[6]。
这些研究与已有研究成果存在关联。T-S模糊控制通过局部模糊规则表征非线性系统[7]，群等变卷积对变换对称性进行了形式化表述[8]，挤压与激发网络通过通道重校准实现注意力机制[9]。预测研究同样强调了对于依赖性时间序列数据进行严格验证的必要性[10]。
总体而言，这六篇论文在Lyapunov与模糊系统设计、注意力机制、分类以及验证等方面勾勒出对称性与非对称性的全貌。本专刊将可处理的控制分析与严谨的实证评估有机结合。
未来的工作应在更广泛的非确定性条件下检验这些方法，扩展至更多视觉领域，并针对小样本时间序列采用更严格的验证方案。
致谢
作者感谢李嘉涵在本编者按准备过程中提供的协助，以及各位撰稿作者在本专刊完成过程中给予的支持。
利益冲突
作者声明不存在利益冲突。
免责声明/出版商声明：所有出版物中陈述的观点和数据仅为各作者和撰稿人所有，不代表MDPI和/或编辑部的立场。MDPI和/或编辑部对内容中提及的任何思想、方法、指示或产品可能造成的任何人身或财产损害不承担任何责任。 |
? 2026 由作者所有。许可方MDPI，瑞士巴塞尔。本文是依据知识共享署名（CC BY）许可证条款和条件分发的一篇开放获取文章。
