• 基于学习活动特征与CNN-LSTMAE混合神经网络的MOOC辍学预测模型研究

  随着数字教育的蓬勃发展，大规模开放在线课程（MOOC）以其开放性和灵活性吸引了海量学习者，但宽松的学习环境却伴随着高达23%的辍学率难题。这种中途退出行为不仅影响学习者成效，更会导致平台用户流失和收益下滑。现有预测模型普遍依赖点击次数构建行为特征矩阵，却忽视了"伪勤奋"学生群体——那些点击频繁却最终辍学的学习者，以及点击量低但坚持完成学业的反例群体。为解决这一痛点，北京信息科技大学的科研团队在《Complex System Modeling and Simulation》发表最新研究，创新性地提出融合双维特征的学习活动特征构建方法。该方法通过计算学习时间与点击次数的比值，形成包含14个维度的行

  来源：Complex System Modeling and Simulation

  时间：2025-11-27

• 基于神经网络数据驱动加权最小二乘的BLE-AoA室内定位方法研究

  在当今数字化时代，室内定位技术正成为智能建筑、智慧医疗和工业物联网等领域不可或缺的基础支撑。与室外环境中广泛应用的全球导航卫星系统（GNSS）相比，室内环境由于墙体遮挡造成的非视距（NLOS）条件，使得定位精度急剧下降。蓝牙低功耗（BLE）因其低功耗特性被视为物联网（IoT）技术中极具潜力的通信方案，特别是在蓝牙5.1版本引入定向探测功能后，基于到达角（AoA）的定位方法能够实现亚米级精度，成为目前BLE定位技术中最受关注的方案。然而，现实室内环境中无线电波的反射、衍射以及家具遮挡等现象，严重影响了AoA测量的准确性。传统的加权最小二乘（WLS）算法虽能通过调整权重系数来抑制不可靠测量值的影响

  来源：IEEE Transactions on Communications

  时间：2025-11-27

• 面向神经形态计算的异构集成与信号完整性协同优化前沿进展

  随着人工智能进入第三波发展浪潮，传统冯·诺依曼架构在处理复杂并行计算任务时暴露出能效瓶颈，神经形态计算作为突破性技术范式受到广泛关注。这种模拟大脑信息处理机制的计算方式，特别适合高性能AI应用场景，但其硬件实现需要协同设计传感器、存储器、计算单元等多元电路组件，并整合RRAM（阻变存储器）、异构集成、多技术节点等前沿技术。当前神经形态系统的发展面临多重挑战：智能材料与器件创新、模数混合电路架构设计、多维系统集成工艺、非理想化可靠性问题以及软硬件协同设计方法等关键难题亟待攻克。发表于《IEEE Transactions on Components, Packaging and Manufactu

  来源：IEEE Transactions on Components, Packaging and Manufacturing Technology

  时间：2025-11-27

• 动态闭环神经形态轨迹插补模型：硬件仿真与软件模拟的协同实现

  在机器人技术领域，实现精确平滑的轨迹控制一直是个重要挑战。传统机器人手臂控制器在执行特定位置定位时，往往只能产生分段式、阶梯状的运动轨迹，缺乏人类运动中特有的流畅性和连续性。这种非平滑的运动方式不仅影响工作效率，还可能导致机械磨损和安全隐患。正是基于这一背景，神经形态工程领域的研究人员开始从生物大脑中寻找解决方案，试图将生物神经系统的计算原理应用于机器人控制系统。近日发表在《IEEE Transactions on Circuits and Systems II: Express Briefs》上的研究论文，由Daniel Casanueva-Morato等学者共同完成，提出了一种创新的动态闭

  来源：IEEE Transactions on Circuits and Systems II: Express Briefs

  时间：2025-11-27

• 一种具有片上学习功能的双模式神经形态控制器，用于机器人运动控制

  摘要：运动控制是机器人技术中的一个重要问题，它涵盖了两种典型的控制场景：重复的点对点运动控制和动态随机轨迹运动控制。本文提出了一种具有片上学习功能的双模神经形态控制器。该控制器可以在自适应控制模型（ACM）模式下配置用于重复的点对点运动控制，也可以在脉冲比例积分微分（S-PID）模式下配置用于随机轨迹运动控制。在ACM模式下运行时，控制器通过规定的误差敏感性（PES）规则实现片上学习，从而能够通过连续的误差信号反馈实时更新突触权重。因此，控制器可以通过学习动态补偿外部干扰，实现亚毫米级的精度和毫秒级的延迟，相比传统方法，控制精度和收敛速度分别提高了2.9倍和2.0倍。在S-PID模式下，通过脉

  来源：IEEE Transactions on Circuits and Systems II: Express Briefs

  时间：2025-11-27

• 针对全状态受限非线性多智能体系统的预定性能自适应控制：基于干扰观测器的设计策略

  摘要：本文重点研究了一类具有未知扰动和全状态约束的非线性非严格反馈多智能体系统（MASs）的预定性能自适应包含控制问题。首先，采用径向基函数神经网络（RBF NNs）技术来逼近系统中的未知非线性函数，并通过使用动态表面控制（DSC）技术解决了由于重复推导虚拟控制而导致的“复杂性爆炸”问题。然后，设计了非线性扰动观测器来估计外部扰动，并结合屏障李雅普诺夫函数（BLFs）和预定性能函数（PPF）来实现预定性能的控制目标，同时不违反全状态约束。理论结果表明，闭环系统中的所有信号都是半全局均匀最终有界的（SGUUB），且局部邻域包含误差可以收敛到指定的边界。最后，两个仿真示例展示了所提出方法的有效性。

  来源：IEEE Transactions on Automation Science and Engineering

  时间：2025-11-27

• 2025年IEEE国际电路与系统研讨会精选论文：电路与系统前沿进展特刊

  在电子工程日新月异的今天，电路与系统设计作为信息技术的基石，持续面临着高性能、低功耗与智能化集成的严峻挑战。每年一度的IEEE国际电路与系统研讨会（ISCAS）是该领域研究者进行学术交流、展示最新成果的重要平台。然而，会议论文通常受篇幅所限，难以充分展开深入的理论分析与实验验证。为了弥补这一不足，并将最前沿的研究成果以更凝练、更深刻的形式传播给全球学术界，IEEE电路与系统学会（CASS）与ISCAS会议组织方延续了其优良传统，在《IEEE Transactions on Circuits and Systems II: Express Briefs》（TCAS-II）上推出了本年度的特刊。2

  来源：IEEE Transactions on Circuits and Systems II: Express Briefs

  时间：2025-11-27

• 面向低功耗AI的近似计算与存内计算架构创新——IEEE电路与人工智能系统汇评2025年第四期综述

  随着人工智能技术在医疗诊断、自动驾驶和边缘计算等领域的深入应用，深度神经网络（DNN）模型尤其是Transformer架构的算力需求呈指数级增长，这对硬件能效提出了严峻挑战。传统基于CMOS工艺的通用处理器在执行大规模矩阵乘法和注意力机制时面临内存墙和功耗墙的双重制约，难以满足实时性、低功耗的应用需求。特别是在心电图（ECG）实时监测、微型机器人自主导航等场景中，既要保证高精度推理，又需严格限制能耗与体积，现有技术方案往往捉襟见肘。为解决上述问题，2025年12月出版的《IEEE Transactions on Circuits and Systems for Artificial Intel

  来源：IEEE Transactions on Circuits and Systems for Artificial Intelligence

  时间：2025-11-27

• Vp3CNN：基于VOLE-ZKP的可验证隐私保护三方CNN推理方案

  在人工智能技术广泛落地的今天，机器学习即服务(MLaaS)已成为重要的计算范式。用户将敏感数据发送至云服务器，云端完成计算后返回推理结果。然而这种模式面临双重挑战：用户既担忧数据隐私在传输和处理过程中遭泄露，又无法验证云端返回结果的正确性。特别是在医疗影像分析、金融风控等高风险场景，错误的推理结果可能导致严重后果。现有零知识证明(ZKP)技术虽能验证计算正确性，但存在内存开销大、验证效率低等问题。更关键的是，传统方案往往忽视用户隐私保护，无法有效防御恶意服务器的数据窃取行为。针对这一痛点，山东大学与济南大学联合团队在《Chinese Journal of Electronics》发表研究，提出

  来源：Chinese Journal of Electronics

  时间：2025-11-27

• 一种统一的超图框架，用于基于会话的社交推荐中的会话间和会话内动态分析

  摘要：由于用户交互的动态性和时间性，基于会话的推荐在社交媒体平台中变得越来越重要。图神经网络（Graph Neural Networks, GNN）在这些系统中的使用也日益增加，因为它们擅长整合节点信息和结构拓扑。然而，当前使用图的推荐方法主要关注单个会话内的推荐，忽略了不同会话之间更为复杂的依赖关系。这种忽视限制了推荐准确性的提升。此外，现有的基于GNN的方法通常只关注简单的二元连接，未能捕捉现实世界中复杂且异质的交互情况。另一个显著的问题是超图（hypergraph）中超边（hyperedge）的节点位置信息缺失。因此，不同的项目顺序可能导致相同的超边，这限制了精确的会话向量表示的构建。本

  来源：IEEE Transactions on Big Data

  时间：2025-11-27

• GT-A2T：基于图张量联盟注意力网络的动态图精准表示方法

  在当今大数据时代，动态图（DG）已成为社交网络、交通系统和金融交易等领域不可或缺的数据表征形式。这类数据不仅包含复杂的空间连接关系，还蕴含着随时间演变的动态规律。然而，传统动态图神经网络（DGNNs）在捕捉这类数据的时空特性时面临两大挑战：一是采用分离的时空建模方式破坏了时空依赖的整体性，二是过度依赖节点特征而忽略了高阶结构信息的重要性。这些局限使得现有模型在链接权重估计、关系预测等关键任务中的表现难以满足实际应用需求。针对这一难题，王玲等人发表在《IEEE/CAA Journal of Automatica Sinica》的研究提出了创新性的解决方案——GT-A2T（Graph Tensor

  来源：IEEE/CAA Journal of Automatica Sinica

  时间：2025-11-27

• 分布式神经策略梯度算法：用于实现网络化多智能体强化学习的全局收敛

  摘要：本文研究了网络化多智能体强化学习问题，其中智能体的目标是通过协作最大化折现后的平均累积奖励。与现有方法不同，现有方法由于使用线性函数近似而表达能力较差，我们提出了一种分布式神经策略梯度算法，该算法采用了两种创新设计的神经网络，专门用于智能体的近似Q函数和策略函数。这种分布式神经策略梯度算法包括两个关键组成部分：分布式评论家步骤和去中心化执行者步骤。在分布式评论家步骤中，智能体通过时变通信网络从邻近智能体接收近似Q函数参数，以协作评估联合策略。相比之下，在去中心化执行者步骤中，每个智能体仅根据自身的近似Q函数更新其本地策略参数。在收敛性分析中，我们首先证明了智能体在分布式评论家步骤中对联合

  来源：IEEE Transactions on Automatic Control

  时间：2025-11-27

• 面向SNN片上无监督学习的免恢复存取可转置eDRAM存内计算系统

  随着人工智能技术的快速发展，神经网络在图像分类、语音识别等复杂任务中展现出卓越性能。其中，脉冲神经网络（SNN）因模仿生物神经元和突触的工作机制，具有事件驱动、异步处理和低功耗等优势，成为类脑计算的研究热点。特别是其支持脉冲时序依赖可塑性（STDP）等片上无监督学习算法，更接近生物大脑的学习方式。然而，传统冯·诺依曼架构将存储与计算分离，导致数据频繁在内存和处理器间搬运，产生巨大的功耗开销，严重限制了SNN硬件的能效和性能表现。为突破这一瓶颈，存内计算（CIM）架构应运而生。它将计算单元嵌入内存阵列中，大幅减少数据移动，实现并行处理。但目前主流的CIM方案仍面临诸多挑战：静态随机存取存储器（S

  来源：IEEE Access

  时间：2025-11-27

• 基于机器学习的稀疏远场数据在主动相控阵中故障元件检测研究

  在5G及下一代无线通信系统中，主动相控阵天线通过集成硅基多通道集成电路（IC）和大量天线单元，实现了灵活的波束成形功能，被广泛应用于蜂窝基站、卫星终端和汽车雷达等领域。然而，这类复杂天线系统在制造、组装或现场运行过程中，电磁辐射体、IC或IC通道可能发生随机故障，导致辐射方向图发生不良变化，严重影响增益、波束宽度、旁瓣电平（SLL）、零陷位置和深度等关键性能指标。在更换组件或采取补偿措施之前，快速准确地定位故障元件的位置至关重要。特别是在制造后和现场场景中，实现近实时诊断面临巨大挑战。此外，IC非线性特性以及IC-天线接口间的互耦效应，使得故障定位方法更加复杂。传统的故障检测方法包括在IC级别

  来源：IEEE Open Journal of Antennas and Propagation

  时间：2025-11-27

• 基于统一仿真模型的相干伊辛机架构对比研究：噪声鲁棒性与线性泵浦优化分析

  在计算科学领域，求解大规模组合优化问题一直是个巨大挑战。这类问题广泛存在于调度、路由、资源分配和机器学习等关键应用中，但绝大多数都属于非确定性多项式困难（NP-hard）问题，意味着传统计算机在解决它们时需要消耗随问题规模指数级增长的计算资源。近年来，受伊辛模型启发的专用硬件——伊辛机（Ising Machines）应运而生，它通过模拟磁性材料中自旋的相互作用来寻找能量最低状态，从而快速逼近组合优化问题的最优解。其中，相干伊辛机（Coherent Ising Machine, CIM）作为一种利用光学参量振荡器（DOPO）的相位来代表自旋的光学系统，因其潜在的室温运行、高速度和能效优势而备受关

  来源：IEEE Access

  时间：2025-11-27

• 基于混合图神经网络与神经常微分方程的动态网络拓扑入侵检测模型研究

  随着数十亿物联网设备接入网络，现代网络架构正经历根本性变革。物联网和软件定义网络环境具有高度动态特性：网络拓扑频繁变化、设备异构性强、流量模式多样。这种灵活性在提升扩展性的同时，也显著扩大了攻击面，为高级持续性威胁创造了新机会。据预测，到2030年物联网设备将超过300亿个，相关攻击预计每年增长约25%。传统入侵检测系统面临严峻挑战：基于签名的技术无法检测零日攻击，而基于异常的检测系统虽然采用支持向量机等机器学习分类器，却在快速变化的网络拓扑中泛化能力不足，通常误报率高、适应性有限。近年来，图神经网络在复杂网络入侵检测领域展现出强大潜力。它能够将网络流量表示为图结构，其中节点对应设备或流，边捕

  来源：IEEE Access

  时间：2025-11-27

• 基于径向基函数神经网络和反步滑模控制的无人飞行器自适应扰动稳定性控制

  摘要：本文重点研究了在外部干扰作用下无人驾驶飞行器（UAV）的稳定性控制问题。UAV经常受到外部干扰的影响，其中风的影响尤为显著，会严重损害其轨迹跟踪控制的稳定性。目前关于UAV控制的研究尚未有效解决这些外部干扰问题；虽然某些控制器算法在面对轻微干扰时表现出良好的抑制能力，但随着干扰幅度的增加，其有效性会显著下降。为了提高控制器的抗干扰能力，本文提出了一种基于径向基函数神经网络（RBFNN）的方法。RBFNN用于估计外部干扰，同时采用自适应权重调整算法来适应不同类型的干扰。该方法通过将反步滑模控制方法集成到位置控制器和姿态控制器的设计中，有效抑制了干扰。这种组合方法不仅能够实时估计复杂的干扰信

  来源：IEEE Transactions on Aerospace and Electronic Systems

  时间：2025-11-27

• 基于地震心动图（SCG）的情感识别研究：EmoWear数据集的新见解与DEAP基准验证

  情绪如同无形的指挥家，深刻影响着我们的思维模式、行为决策乃至生理反应。在人工智能与人类生活深度融合的今天，让计算机理解人类情感已成为人机交互领域的前沿课题。传统的情感识别（Emotion Recognition, ER）多依赖于面部表情或语音分析，但这些外部信号易受主观掩饰干扰。相比之下，由自主神经系统（Autonomic Nervous System, ANS）调控的生理信号（如心率、呼吸频率）能够更客观地反映内在情感状态，为情感计算（Affective Computing）提供了可靠的数据基础。然而，当前基于生理信号的情感识别技术面临着一个突出瓶颈：为实现多模态数据采集，往往需要佩戴多种传

  来源：IEEE Transactions on Affective Computing

  时间：2025-11-27

• 雷达电子支援的端到端学习：基于频谱图多标签分类与可解释人工智能的创新方法

  在现代电子战中，雷达电子支援（ES）系统承担着对环境中雷达辐射源进行检测、分选和识别的重要任务。传统的ES信号处理流程通常遵循一个多级串联的固定模式：首先对接收到的宽频带信号进行脉冲检测，然后测量每个脉冲的参数并形成脉冲描述字（PDW），接着通过去交错处理将属于同一辐射源的脉冲分组，最后进行辐射源识别。然而，这种传统方法在面对现代低截获概率（LPI）雷达时显得力不从心。LPI雷达通常采用低发射功率、复杂的脉内调制、敏捷的雷达参数（如脉冲重复间隔（PRI）抖动、跳频）或宽带工作方式，这些特性使得脉冲检测和参数测量变得异常困难，而参数敏捷性更是给脉冲去交错器带来了巨大挑战。此外，传统的PDW方法还

  来源：IEEE Transactions on Aerospace and Electronic Systems

  时间：2025-11-27

• 一种图神经网络电荷模型，旨在准确预测有机分子的静电特性

  计算化学中原子级部分电荷分配模型的研究进展1. 传统电荷模型的局限性在分子力学（MM）模拟中，原子级部分电荷的准确分配对预测材料物理化学性质至关重要。目前主流方法包括基于量子化学计算的RESP和AM1-BCC，以及基于原子间多极矩的AIM方法。这些传统方法存在以下显著缺陷：1. 计算成本高昂：需要针对每个分子进行量子化学计算，尤其对包含多个旋转键的大分子体系，计算量呈指数级增长2. 几何依赖性强：电荷分配结果对分子构象高度敏感，导致不同软件包间的参数差异显著3. 多体极化效应处理不足：传统方法主要基于气相计算结果，未充分考虑溶剂化效应对电荷分布的影响4. 模型泛化能力有限：不同计算水平（如HF

  来源：Journal of Chemical Theory and Computation

  时间：2025-11-27

知名企业招聘：