eess 篇论文 | Gist.Science

本研究提出了一种低成本、便携式且超灵敏的集成玻璃碳电极离心微流控CD平台，该平台能够实现针对SARS-CoV-2刺突蛋白和前列腺特异性抗原的无标记双电化学检测，适用于即时检测应用。

本研究提出了一种物理引导的可解释机器学习框架，该框架利用优化的 CatBoost 模型来准确预测纳米页岩-生石灰稳定高岭土的无侧限抗压强度，同时量化不确定性并识别塑性和养护相互作用等关键物理驱动因素。

本综述对有关立方体卫星（CubeSat）及纳米卫星姿态确定与控制（ADCS）气浮实验台的40项研究进行了系统性合成，强调了向模块化和开源硬件的转变，识别了传感器融合与推进器验证方面的关键空白，并优先提出了在高保真扰动补偿、数字孪生以及人工智能辅助诊断方面的未来发展方向。

本文探讨了深度学习和优化算法等人工智能技术如何应对智能电网中的关键挑战——包括可再生能源集成、需求管理和网络安全——旨在通过实际应用来提升能源效率、可靠性和可持续性。

本文介绍了 QFDT-XMAI 框架，这是一个五层架构，它集成了量子增强联邦学习、图注意力多智能体协同以及可解释人工智能，旨在实现分布式站点间自主且可审计的工程管理，同时保护数据隐私并提高收敛效率与决策透明度。

本文对无 GPS 环境下的 SLAM 与里程计进行了以传感器为中心的综述，通过按感知模态和成熟度层级对文献进行组织，以分析性能权衡，识别多传感器融合与神经集成等关键趋势，并论证鲁棒定位需要互补感知与不确定性感知估计器的结合，同时强调碎片化的基准测试是阻碍进展的主要障碍。

本研究利用基于 Transformer 的框架对近 20,000 件美国机器人专利进行分析，旨在证明虽然单纯的语义新颖性并不能预测专利的持续性，但前向语义影响力能显著降低维持费欠缴导致专利失效的可能性，且只有当新颖性在既有领域内保持技术可理解性时，其才对专利留存具有贡献。

本研究开发了一种利用基于白金汉 $\pi$ 定理推导出的无量纲参数构建的机器学习框架，旨在准确且高效地预测含有不凝结气体的水平通道内水蒸气冷凝传热，并证明了 XGBoost 算法在保持高精度的同时，即使在特征集减少的情况下，其表现也优于传统的关联式及其他模型。

本研究提出了一种两阶段机器学习级联框架，该框架将实时 CMT-WAAM 工艺参数与工业 CT 衍生的孔隙率数据相关联，以预测并监测铝合金部件的内部缺陷，在实现 0.47 F1 分数的同时，为原位质量保证提供了一种可扩展的解决方案。

本文介绍了一种用于生物医学可穿戴应用的角部方形截断矩形槽口微带贴片天线的设计与优化，通过小型化技术、6 dB 的方向性、80 MHz 的带宽以及确保生物相容性的低比吸收率（SAR）值证明了其有效性。