芳香族二次有机气溶胶（Secondary Organic Aerosol，SOA）是中国城市地区大气中重要的细颗粒物组分，在地球系统模式的大气化学模块中引入半显式机制（简写为“SXP”）表征人为源排放的芳香族挥发性有机物氧化过程，用于研究过氧自由基（RO2）自氧化与终止反应之间的竞争关系，评估了由自氧化反应生成的芳香族SOA.与中国地面观测数据的对比评估表明，相较于采用挥发性区间（Volatility Basis Set，VBS）的默认模式（简写为“BASE”），SXP对地表SOA浓度的模拟平均偏差降低了约5%；SXP与BASE模拟结果之间的SOA差值表现出明显的区域和季节依赖性，SXP模拟结果在夏季、南方更高.机理分析表明，SXP与BASE模拟结果的差异主要来源于地表芳香族SOA的生成受到一氧化氮（NO）的调控.在低浓度NO环境下（<15 ppbv），SXP模拟的芳香族SOA浓度相较于BASE高约20%~50%；在高浓度NO环境下（>25 ppbv），SXP模拟结果相较于BASE低约10%.主要原因是在SXP模拟过程中考虑了自氧化反应与NO终止反应对RO2的竞争关系，高浓度NO环境下自氧化反应受到抑制，导致芳香族SOA的生成效率显著降低.最后，分析了中国减排情境下（2013-2019年）的芳香族SOA浓度的变化，为氮氧化物减排背景下中国人为源SOA浓度变化趋势的解释和预测提供了科学依据.
局地气候区（Local Climate Zone，LCZ）是一种城市高分辨率土地利用分类体系，将LCZ地图作为输入数据引入数值模型中，可以提供高分辨率的城市形态参数，提升城市地区的精细化模拟水平.针对超大城市——上海2017年7月19日至28日的高温热浪过程，采用WRF （Weather Research and Forecasting）耦合LCZ进行数值模拟，设置CTL，NOAH和NOURB三个算例来探究土地利用变化和人为热对高温热浪下上海城市热岛的贡献以及城市化对短时强降水的影响.结果表明，在考虑到城市土地利用变化和人为热排放时，该模式较好地再现了上海市夜间的冠层城市热岛和白天的城市热岛环流.夜间，土地利用变化和人为热均对冠层城市热岛有正向贡献，两者的贡献分别为0.89 ℃和1.02 ℃；白天，人为热对冠层城市热岛的正向贡献为0.27 ℃，土地利用变化则由于建筑物的阴影遮蔽效应对冠层城市热岛起到0.28 ℃的负向贡献.对上海市2017年7月22日的短时强降水过程的模拟研究发现，城市的存在会通过减少大气底层的水汽以及改变气温垂直分布来降低大气底层的对流有效位能，从而对城区的短时强降水起到抑制作用.研究结论有利于提高对夏季高温热浪下城市热岛的认识，为应对未来高温热浪事件可能带来的热胁迫以及提升城市地区夏季小尺度降水的预报能力提供一定的理论参考.
模数转换器（Analog⁃to⁃Digital Converter，ADC）是连接物理世界和数字系统的核心组件，其在边缘端传感、智能计算等现代电学系统中发挥着关键作用.然而，基于CMOS工艺的ADC受限于制备工艺，往往仅能使用电容、电阻、晶体管等基础器件构造.缺乏模拟域非易失可调器件使传统ADC在校准非理想特性或尝试提高多场景下的采样效率时，需要很大的功耗和芯片面积开销.将忆阻器引入ADC设计，利用忆阻器电阻的非易失连续可调特性，在不引入额外硬件开销的前提下实现了非理想特性原位校准以及量化特性任意可编程功能.基于180 nm工艺的仿真结果表明，忆阻器ADC仅通过忆阻器编程就能实现电路原位校准.具体地，其将最大微分非线性降低71.6%，最大积分非线性降低48.0%，且能在不同工艺角、温度与电源电压条件下，始终保持良好的校准效果.同时，通过编程忆阻器还能在同一个ADC上重构任意形状的量化曲线（如线性、指数形、对数形、“S”形），使忆阻器ADC能够通过调整量化曲线形状来适配真实世界不同信号（如图像、音频）的统计特性，从而最大化ADC采样效率.仿真结果表明，这一功能使忆阻器ADC能以更低的功耗实现更高的分辨率.提出的忆阻器ADC凸显了新兴忆阻器件在推进智能边缘系统集成电路发展方面的潜力.
高效利用残缺专家演示数据是当前模仿学习领域的重点之一，残缺的演示意味着局部细节的丢失，会导致误差累积.针对演示残缺的场景，提出一种基于生成式轨迹建模的鲁棒模仿学习方法.通过利用决策变换器在残缺演示条件下生成连续状态⁃动作序列补全轨迹，并通过设定目标分数控制生成轨迹的质量，将补全后的轨迹输入扩散模型进行轨迹生成.同时，引入新的评分机制，用于评价扩散模型生成的轨迹是否符合专家示范中的环境动力学约束.该模型能在良好地补全残缺轨迹的条件下，生成高奖励并符合动力学约束的轨迹，有效减少了误差累积并提高规划精度.实验表明，该方法优于现有的离线强化学习方法，能解决高维连续空间中的规划⁃现实不匹配问题，并拥有更好的鲁棒性和泛化能力.
多标记学习在文本分类等实际应用中具有广泛的应用价值，但在真实情况下，由于标签的标注成本高、人工疏忽或数据来源复杂而出现不同程度的缺失，而不完整的监督信息会显著降低模型对标签结构的建模能力.针对传统方法普遍依赖整体低秩假设、难以刻画复杂标签关系的不足，提出一种基于局部低秩分解的缺失标签多标记学习方法（Local Low⁃Rank Decomposition for Multi⁃Label Learning with Missing Labels，LLRD⁃MLML），通过构建标签相关子集并进行低秩建模以挖掘标签间的复杂结构关系；同时，引入局部⁃全局联合学习机制，实现了局部模型与统一预测模型的融合，并结合图正则化约束以保持样本间结构一致性，采用交替优化策略求解该模型.在多个公开多标记数据集上的实验结果表明，所提方法在不同的标签缺失比例下均取得了较好的性能与稳定性，验证了局部低秩结构建模在缺失标签场景中的有效性.
近年来，语音大模型凭借强大的跨模态表征与跨语言理解生成能力，为端到端语音翻译（End⁃to⁃End Speech Translation，E2E ST）的研究提供了新范式，现有E2E ST方法也逐渐开始利用大模型的跨模态优势，以缓解传统训练中的对齐与优化难题.然而，直接从语音生成译文仍十分困难，模型需在单一目标下同时完成声学建模、语义理解与跨语言生成，在平行语料有限时，往往容易导致训练不稳定和译文质量下降.为此，提出一种面向端到端语音翻译的分阶段训练与策略优化方法.该方法在统一自回归生成框架下，将关键词、ASR转录和目标译文组织为结构化输出序列，并通过三个阶段逐步提升模型的语音理解与翻译生成能力.首先，通过关键词预测与语音转写联合建模，构建由关键词语义骨架和完整源端转写组成的双粒度源端表示，以建立稳定的声学⁃语义对应关系；其次，引入完整翻译目标，并结合人工标注与阶段预测结果来构建混合辅助标签，以提升模型对推理阶段中间表示噪声的适应能力；最后，采用基于群体相对策略优化（Group Relative Policy Optimization，GRPO）的强化学习方法，仅针对最终译文子序列进行奖励建模，进一步优化译文生成策略.在Qwen2⁃Audio，Qwen2.5⁃Omni和Qwen3⁃Omni模型上对MuST⁃C三个语言对进行的实验表明，该方法在BLEU和COMET上均取得显著提升，验证了分阶段训练、混合辅助标签与译文级策略优化能够有效提升端到端语音翻译的稳定性和跨语言生成质量.
密度峰值聚类（Density Peaks Clustering，DPC）是一种基于密度的聚类算法，能够在无需预设聚类数量的条件下自动识别任意形状的类簇.然而，DPC算法在处理具有密度差异的类簇时，会在密集类簇中误选多个聚类中心，而忽略稀疏类簇的聚类中心.此外，DPC算法的单步链式分配策略易引发“多米诺效应”，即单个样本的错误分配导致后续样本的分配出现连锁偏差.针对上述问题，提出一种基于相互近邻和证据理论的密度峰值聚类算法（Density Peaks Clustering Algorithm Based on Mutual Nearest Neighbors and Dempster⁃Shafer Theory，MDS⁃DPC）.首先，融合样本的距离相似性与邻域凝聚度，重新定义局部密度的计算方式，有效平衡簇间密度差异.其次，综合考虑样本局部和全局分布特征，基于局部密度峰与相互近邻图优化相对距离度量，更准确地表征样本间的相对位置关系.最后，引入证据理论，采用多阶段分配和跨簇连接样本分层微调策略，提高样本分配的准确性.在九个合成数据集与12个真实数据集上，将所提算法与六个优秀的聚类算法进行对比，实验结果表明，MDS⁃DPC算法的聚类效果更优.
多视图聚类旨在挖掘不同视图间的共识性与互补性，但现有方法面临两大瓶颈：一是全局拓扑建模依赖预定义相似度与固定邻域，难以适应复杂分布；二是样本级视图质量差异显著，静态加权策略难以刻画细粒度可靠性变化，尤其在数据缺失场景下鲁棒性不足.为此，提出基于动态锚点与质量感知混合专家的多视图聚类框架（DAMC⁃MoE）.首先，利用可学习的动态锚点机制代替传统预定义相似度，实现拓扑结构建模与特征表征学习的端到端深度耦合；在此基础上，引入质量感知混合专家模块，利用样本级完整度与信噪比生成质量令牌，引导门控机制执行自适应路由，实现了从传统视图级加权向样本级细粒度感知融合的范式转变；最后，构建三层对比学习机制，从视图间、视图内及局部⁃全局层面联合强化语义对齐.在五个基准数据集上与11个先进算法的全面对比实验中，DAMC⁃MoE展现出优越的聚类性能.Friedman检验结果进一步显示，DAMC⁃MoE在三项聚类评价指标上的平均排名均显著高于对比方法.
以知识图谱、社交网络为代表的大规模图数据广泛存在，由于规模庞大，大图上的分析，如频繁模式挖掘等，面临严峻挑战.图约简技术可以在保留图中关键信息的同时大幅减小图的规模，因而成为大图分析的关键技术之一.然而，现有图约简技术致力于保留特定属性信息或最小化全局信息损失，忽略了对局部高阶结构的保护，导致其对频繁模式挖掘任务的支持不尽人意.为此，提出一种结构保持式图约简框架，在约简数据规模的同时，保留原图中更多的高质量频繁模式.首先，提出了一种从局部到全局的边重要性评估方法，通过对关键节点与核心边的精确识别，引导初始约简骨架的构建；其次，为弥补约简引发的结构损失，设计了一种基于邻域信息的骨架增强机制，提升约简图的结构多样性与完整性.在真实图上的广泛实验表明，该框架在多项指标上表现优异，且生成的约简图有效保留了原图的骨干结构，当约简率仅为0.1时，在Wiki数据集上
RNA干扰技术在靶向治疗领域展现出巨大的潜力.以往的siRNA效率预测模型缺乏对结论不确定度的量化评估.在OligoFormer基础上构建分类模型，针对常用Huesken和Mixset数据集，定量评估了模型不确定度与数据不确定度.结果显示，数据集中数据内禀不确定度整体较高，并在总体不确定度中占主导.因此，将不确定度作为数据质量信号，提出一个新的样本筛选策略并构建低不确定度子集Huesken'和Mixset'，并开展了数据集内与跨数据集性能验证.五折交叉验证结果显示，筛选后的Huesken'数据集的AUC，PRC，F1⁃score，PCC等指标达到0.950，0.941，0.936，0.791，Mixset'数据集达到0.901，0.930，0.773，0.733，均较原数据集显著提升.跨数据集评估显示，在使用相同Mixset'数据集测试时，基于低不确定度的Huesken'数据集训练的模型相较原来，AUC，PRC和PCC分别提升1.29%，0.93%和0.72%.这表明不确定度估计可用于提供预测可信度信息、支持基于不确定度的数据筛选，并在数据集内与跨数据集评估中提升siRNA效率预测的性能与泛化表现.进一步指出，对基于深度学习的siRNA效率预测模型，提高数据质量相较于增加数据数量更加重要.
现有主流的向上混合方法通常在时频域内对音频内容进行处理.在复杂混音音乐内容中，多声源在时频域内的重叠会导致向上混合过程中相关性及声源位置参数估计出现偏差.为了解决这一问题，在现有的频域向上混合框架的基础上，提出一种结合声源分离的两通路立体声音乐信号向上混合方法，将混音音乐信号分离为多个音乐声源，对分离后的音乐声源分别进行向上混合处理，减少时频重叠对参数估计的干扰.听音实验结果表明，相比于多种代表性向上混合方法以及未引入声源分离模块的消融版本，提出的方法在综合听感上有更优的表现.
声源定位在工业检测、医疗诊断、国防军事等领域具有重要意义，在噪声环境中准确获取声源信号是其应用的关键.近年来，非厄米物理凭借奇异点附近的本征值分裂等现象在提升传感灵敏度方面取得显著进展，但传统非厄米传感无法有效抑制噪声干扰，难以捕捉高保真声信号，从而造成较大的定位误差.提出一种基于非厄米传感的声源定位方法，可抑制噪声扰动并实现对声源信号的有效捕捉.其核心在于构建具有历史依赖性的哈密顿跃迁特性的非线性非厄米动力学模型，将输入信号约束在独立模态而不受噪声干扰.在此基础上，开展了一维声阵列声源定位研究，验证了非厄米传感在不同噪声强度下对信号时延的准确检测能力.随后，将该传感方法拓展至二维声源定位，仿真结果表明，所提方法的平均距离误差和角度误差较传统传感器分别降低约82.11%和68.37%.本研究为噪声干扰下的精准声源定位提供了新思路，揭示了非厄米物理在抗干扰目标探测中的应用潜力.
