eess 篇论文 | Gist.Science

本研究利用 AutoML 和 SHAP 可解释性技术对美国致命交通事故数据进行分析，旨在识别驱动行人未让行事故的不同行为与环境因素，从而揭示不同过街动作的具体风险模式，以期为针对性的安全对策提供参考。

本研究利用针对 48,838 起涉及配备 AEB 车辆的德克萨斯州警方报告的交通事故的多变量数据挖掘，识别出四种截然不同的事故类型，强调了这些事件在运行上的异质性，并为改进车辆测试、传感开发及道路安全干预措施提供实证依据，而非直接测量 AEB 的有效性。

这项实证研究表明，虽然一种针对欠驱动机器人的惯性感知自适应收缩控制策略与固定度量方法相比显著提高了质量辨识性能，但由于自适应引起的失稳，它往往会降低跟踪精度，而这种权衡通过所提出的自导自适应率调节器得到了部分缓解。

本文提出了一种自回归多保真度高斯过程回归框架，该框架将稀疏的高保真激光多普勒测速（LDV）测量数据与丰富的、存在偏差的计算流体力学（CFD）模拟数据进行融合，旨在为虚拟流量计量中预测扰动速度场构建一种实时的、具备不确定性感知能力的代理模型，从而实现了显著的误差降低并提供了可靠的 95% 预测区间。

本研究表明，将机械粉碎的丹宁斯织物置于三层刨板的面层中可保持机械性能并符合行业标准，而将其置于芯层则会显著降低强度，这凸显了维持板材特征性的密度梯度对于性能而言比局部材料致密化更为关键。

本文提出了一种硬件高效的联合馈电孔径 MIMO 架构，该架构将由巴特勒矩阵馈电的圆形阵列与 1 比特可编程超表面相结合，以实现同时同向 OAM 复用、低发散传播以及具有高信道隔离度的可编程波束赋形。

本研究表明，通过提议的动态置换框架，将电动汽车电池提前1–2年进行战略性退役，可以将目前无法再利用的单元中的40%–50%转化为有价值的二次利用储能资源，从而显著增强循环性和环境可持续性。

本研究表明，移动式点对点测速在昆士兰州具有操作可行性，揭示了车辆重识别率主要受限于道路出口数量而非摄像机间距，同时也强调了瞬时速度与平均速度测量值之间的显著差异。

本文介绍了一种名为 CPFxDRL 的新型翼型优化框架，该框架将深度强化学习与构造分段函数相结合，以创建一个无自交且低维的搜索空间，在提升收敛速度和几何保真度方面优于传统的 CST 方法，同时强调了进行高保真 CFD 验证以防止奖励黑客行为的至关重要性。

本文证明了通过 PVGIS-SARAH3 数据训练的优化人工神经网络 MPPT 算法，通过实现 98.7% 的跟踪效率和用于实时光伏功率优化的快速收敛，显著优于传统的扰动观察法和增量电导法。