提出了一种可处理维度高达 7000 以上的神经模糊系统 AdaTSK，其中引入了一种自适应 softmin 算法，以有效地克服现有模糊系统在处理高维问题时出现的问题，并可在集成的 FSRE-AdaTSK 系统中进行特征选择和规则提取。

Jan, 2022

提出了一种名为多标签 Takagi-Sugeno-Kang 模糊系统（ML-TSK FS）的新的多标签分类方法，通过使用模糊规则设计了 ML-TSK FS 的结构来建模特征和标签之间的关系，并通过集成基于模糊推理的多标签相关学习和多标签回归损失来训练模糊系统。12 个基准多标签数据集上的实验证明，ML-TSK FS 在各种评估指标上的性能与现有方法相竞争，表明它能够有效地使用模糊推理规则建模特征 - 标签关系并提升分类性能。

Sep, 2023

本文采用深度学习底底的禁忌搜索检测，提出了快速收敛稀疏连接检测网络（FS-Net），并基于其实现适应性提前终止算法和修改搜索过程，以实现较好性能，并达到约 90％的复杂度降低。

Sep, 2019

提出了鲁棒的多标签 Takagi-Sugeno-Kang 模糊系统（R-MLTSK-FS），其包含软标签学习机制、基于规则的 TSK FS 和基于软标签和模糊特征空间的相关增强学习机制，旨在同时解决模型透明度、标签相关性学习和标签噪声抗干扰性这三个关键问题。该方法在大量实验中证明了其优越性。

Jan, 2023

该研究论文介绍了人工智能在水果质量检测领域中的应用，提出了一种基于谱图的水果糖度回归模型，设计了新的神经网络结构并比较了其他传统的神经网络结构，采用多种策略处理谱图数据，通过评估数据集的可靠性和比较不同模型的效果，验证了使用人工神经网络模型进行水果糖度无损检测的可行性。

Nov, 2023

使用深度学习的预训练、多模态、图像与文本处理模型，即使训练数据有限，也能在不同媒体中检测到烟草广告。

Sep, 2023

本文提出了一种自适应的神经模糊网络和一种改进的量子减法聚类，将数据挖掘技术与机器学习结合，发现模糊分类规则。实验结果表明，基于量子减法聚类的神经模糊网络具有较好的逼近和概括能力，并且与传统方法相比，模糊规则的数量和网络输出精度有显著降低。

Jan, 2021

本文提出一种使用神经系统识别 (NSI) 和贝叶斯滤波 (BF) 的时间序列异常检测方法，该方法可比已有方法在错误检测上具有更好的性能。

Jun, 2021

本研究提出了一种机器人拉曼系统，能够可靠地定位和界定嵌入到健康组织中的肿瘤，在模拟组织中建模为选择性注入金纳米星区域。此外，通过实现迁移学习，对比控制琼脂进行了金纳米星的验证分类，从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域，并实现了 98.2% 的准确度。此外，还验证了拉曼系统和分类算法不是基于样本颜色，而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。

Jan, 2024

本文提出一种名为互动上下文感知网络（ICANet）的新型网络，它通过混合两种模态的特征来实现跨模态信息以及通过 Multi-Scale Attention Reinforcement（MSAR）和 Upper Fusion（UF）模块来进行跨尺度融合，从而提高了关键目标的检测准确性。

Nov, 2022