定量相位成像（QPI）作为一种无标记、高分辨率光学成像技术，通过提取样品的相位信息反演其光学厚度、折射率分布等物理参数，在生物医学、材料科学等领域展现出不可替代的应用价值。在生物医学领域，其可实现活体红细胞、神经元等细胞的动态监测，无需染色即可捕捉细胞生理活动的细微变化；在材料科学领域，可用于半导体晶圆缺陷检测、薄膜厚度精准测量等场景。传统QPI系统多依赖单波长观测，难以应对对象与调制相位掩模均存

针对复杂工业系统中故障信号非平稳性强、时序特性复杂、强噪声环境下特征易被淹没等问题，提出一种融合加权多尺度同步压缩变换（WMSST）与多尺度卷积神经网络-双向门控循环单元-注意力机制（MCNN-BiGRU-Attention）的混合智能故障诊断模型。该模型通过WMSST对原始故障信号进行时频增强处理，有效提升微弱故障特征的辨识度与时频分辨率；利用MCNN实现多尺度空间特征的分层提取，结合BiGRU

旋转机械（如齿轮箱、滚动轴承、水电机组）作为工业生产系统的核心关键部件，其运行状态的稳定性直接决定了生产效率、运营成本及作业安全。据行业统计数据显示，机械故障引发的非计划停机损失占制造业总成本的15%-30%，其中振动信号异常是诱发机械故障的主要特征诱因。在实际工业场景中，设备运行工况复杂多变，负载波动、转速变化等因素导致振动信号呈现显著的非平稳特性，传统故障诊断方法面临诸多瓶颈。

针对旋转机械故障诊断中传统方法依赖人工特征提取、泛化能力弱的问题，本文提出一种融合短时傅里叶变换（STFT）与卷积神经网络（CNN）的智能故障诊断方法。该方法通过STFT将一维振动信号转换为二维时频图，保留信号的时变频率特性，再利用CNN的自动特征学习能力实现故障特征的高效提取与分类，构建端到端的故障诊断模型。为验证方法有效性，在齿轮箱、滚动轴承等典型旋转机械数据集上开展多场景实验，结果表明：完备

随着工业4.0的深度推进，旋转机械、电力系统等核心工业设备朝着高转速、高精度、复杂化方向发展，其运行状态的稳定性直接决定了生产效率与作业安全。据统计，40%-50%的旋转机械故障由轴承失效引发，而电力系统故障中约30%与设备异常信号相关，此类故障若未能及时诊断，可能导致设备停机、生产中断，甚至引发重大安全事故与经济损失。

针对智能机器人应用普及背景下的失控安全风险，本文提出一种基于多智能体博弈的拦截算法，实现多个追捕者对多个逃逸者的高效协同捕获。该算法采用“全局策略指导-分布式执行”双层架构，突破传统算法在维度适应性、协同机制与鲁棒性上的局限，可扩展至N维空间环境，仅依赖局部感知与通信即可完成全局追捕任务。通过动态Voronoi镶嵌实现追捕责任区域实时划分，结合区域最小化策略生成追捕目标，设计分布式控制律保证有限时

针对传统径向基函数（RBF）神经网络在复杂非线性回归预测任务中，依赖梯度下降法优化参数时易陷入局部最优、收敛速度慢且泛化能力有限的缺陷，本文提出一种基于牛顿-拉夫逊优化算法（NRBO）改进的RBF神经网络回归预测模型（NRBO-RBF）。该模型创新性地将NRBO算法引入RBF神经网络的参数优化过程，借助NRBO算法的牛顿-拉夫逊搜索规则（NRSR）利用二阶导数信息提升参数搜索精度，通过陷阱避免算子

时序预测作为数据分析与机器学习领域的核心研究方向，在金融市场预判、能源负荷调度、交通流量管控等关键领域发挥着不可或缺的支撑作用。随着实际应用场景的复杂度提升，时序数据呈现出非线性、高波动性、高噪声及动态演化的显著特征，传统预测方法逐渐暴露出性能瓶颈。其中，线性模型（如ARMA、指数平滑法）受限于线性假设，难以捕捉复杂的非线性时序模式；深度学习模型（如LSTM、GRU）虽具备较强的长期依赖捕捉能力，

智能优化算法凭借其无需依赖问题梯度信息、鲁棒性强等优势，在工程优化、机器学习、资源调度等多个领域得到广泛应用。本文聚焦9种典型智能优化算法——CGO（混沌分形优化算法）、SCA（正弦余弦算法）、GWO（灰狼优化算法）、CSA（簇类搜索算法）、SSA（麻雀搜索算法）、HHO（哈里斯鹰优化算法）、WOA（鲸鱼优化算法）、PSO（粒子群优化算法）、TSO（瞬态搜索优化算法），从核心思想、优缺点、应用场景

随着全球能源结构向清洁低碳转型，风力发电作为可再生能源的核心组成部分，其装机容量与并网规模持续扩大。然而，风能的随机性、波动性与间歇性特征，严重影响电网的稳定运行、经济调度与安全保障，精准的风电功率预测成为解决这一问题的关键技术支撑。BP神经网络因具备强大的非线性映射能力，在风电功率预测领域得到广泛应用，但传统BP神经网络存在易陷入局部最优、收敛速度慢、对初始权值和阈值敏感等固有缺陷，限制了其预测