UniConvNet，通过组合较小卷积核（7×7、9×9、11×11）扩展有效感受野（ERF），同时保持渐近高斯分布（AGD）。该方法设计了感受野聚合器（RFA）和层操作算子（LO），以金字塔结构递归组织多个LO，在扩展ERF的同时维持AGD。实验表明，UniConvNet在ImageNet分类（轻量级模型84.2% top-1精度）、COCO目标检测和ADE20K语义分割任务中均优于现有CNN和

一种基于分类器预测一致性和领域泛化（CPC-DG）的旋转机械跨域故障诊断方法，针对现有方法在标签稀缺、域偏移和决策边界模糊等问题上的不足。通过双分类器对抗训练策略精化决策边界，采用共识机制生成高质量伪标签，并结合最大均值差异（MMD）进行全局分布对齐。在CWRU和PU轴承数据集上的实验表明，该方法在12个跨域任务中平均准确率提升6.9%-7.2%，显著优于基线模型和对比方法。研究揭示了全局分布对齐

一种困难感知的平衡边际损失方法（DBMLoss）来解决长尾识别问题。该方法创新性地同时考虑类别不平衡和实例难度差异，在传统类级别边际的基础上，为困难样本分配额外的实例级别边际。DBMLoss通过增大困难样本的边际压力，促使模型学习更具判别性的特征表示。实验表明，该方法能与多种现有方法无缝结合，在CIFAR-LT、ImageNet-LT和iNaturalist等基准数据集上均取得显著提升，尤其在尾部

一种基于ShuffleNet-CA-SSD的轻量级网络用于物联网涡轮叶片缺陷检测。该方法采用ShuffleNetv2作为骨干网络替代传统VGG-16，显著降低了模型复杂度；引入坐标注意力机制增强对小目标的检测能力；并使用EIoU损失函数优化边界框回归精度。实验结果表明，该方法在保持95.46%检测精度的同时，参数量仅为6.932M，检测速度达0.06秒/张，显著优于现有方法。此外，通过可解释性分析

一种新型时间序列预测模型interPDN，通过直接建模每步离散概率分布而非标量值来量化预测不确定性。该模型采用交错双分支结构，利用非均匀支撑集减少量化误差，并通过粗时间尺度分支捕捉长期趋势。实验表明，interPDN在多个真实数据集上显著优于现有方法，在71.11%的任务中取得最佳MSE表现，同时保持轻量级计算效率。该工作实现了从点估计到概率预测的范式转变，为时间序列预测提供了更可靠的不确定性量化

针对时间序列预测中传统MSE损失函数忽视结构信息的缺陷，提出了一种创新的斑块结构损失(PS Loss)。该方法通过傅里叶自适应分段将序列划分为具有统计意义的局部块，在每个块内同时优化相关性、方差和均值三个维度的结构对齐。实验表明，在7个真实数据集和5种主流模型架构上，PS Loss在95.7%的任务中显著提升了预测性能，尤其在长序列预测场景下优势更为突出。该方法首次实现了对时间序列方向性、波动幅度

一种新型谱算子神经网络Sonnet，用于多变量时间序列预测。该方法通过可学习小波变换将输入转换到时频域，利用多变量相干注意力(MVCA)模块捕捉变量间的谱相干性，并采用Koopman算子稳定预测时频动态。实验表明，Sonnet在47项预测任务中的34项表现最佳，平均绝对误差(MAE)比最强基线降低2.2%。MVCA作为即插即用模块，可使其他模型的MAE平均降低10.7%。该研究为利用外生变量进行时

一种新型端到端轴承故障诊断框架IMSE-IGA-CNN-Transformer，通过协同优化信号预处理与深度学习模型，显著提升了诊断性能。创新点包括：1）采用改进多目标香鼬优化算法（IMOCOA）优化SVR参数，有效抑制EMD端点效应；2）利用免疫遗传算法（IGA）自动优化CNN-Transformer超参数；3）构建串行混合网络结构，结合局部特征提取与全局时序建模优势。在CWRU和MFPT数据集

一种高效的工业边缘缺陷检测方法YOLOv5s-GhostNet，通过轻量化网络结构（GhostConv、深度可分离卷积）将模型体积压缩50%，计算量降至8.2G FLOPs。创新性地采用知识蒸馏实现快速学习（50 epoch收敛），在保持97.91%精度和96.66% mAP的同时，使推理速度达294 FPS。实验表明，该方法在树莓派边缘设备上实现了实时检测，相比现有方法效率提升4倍，并通过端-边

一种结合噪声引导与全局特征的生成对抗网络(GAN)方法，用于解决工业缺陷检测中样本稀缺问题。该方法包含三个创新模块：1) Transformer编码器通过自注意力机制提取真实样本分布特征，引导噪声输入；2) 自适应模拟退火算法动态调整训练参数，优化全局解；3) 深度空间聚合调制模块(DSAM)结合扩张卷积和残差结构，提升生成图像质量。实验表明，该方法在GC10-DET和NEU-DET数据集上的PS