关键词： 人工智能   建筑物损伤识别   Mask R?CNN   实例分割  

摘要： 地震发生后快速对建筑物损伤进行识别，可以提高灾害损失评估的效率，并为救援提供有效地决策支持。针对因背景干扰带来的重要特征表达能力弱的问题，提出一种基于深度学习框架Mask R?CNN的多建筑物损伤识别方法。首先，对样本图像进行预处理，克服复杂环境背景因素干扰，并进行多途径扩增，得到用于深度学习的扩增样本数据集。其次，优化特征提取网络，采用嵌入注意力机制模块SE的MobileNetv3网络作为主干网络，增加模型对建筑物损伤空间及语义信息的提取，有效避免背景对模型性能的影响，改进损失函数，避免遗漏类别和类别错分现象，同时引入迁移学习，降低训练成本；最后，采用定性分析和定量评估相结合的手段，多维度评估模型泛化能力和鲁棒性。改进后的Mask R-CNN模型的平均精度达到了84.34%，相对于原始的Mask R-CNN模型，精度提高了9.12%。结果表明，改进后的模型在识别含有多种损伤特征和噪声背景的建筑物损伤图像方面表现良好，可以为地震后建筑物的损伤评估提供有效地技术支持。

关键词： 短视频   人工智能   算法推荐   负面情感反应   算法心理抗拒   算法应对行为  

摘要： 短视频平台的智能算法推荐服务越来越多地影响着人们的日常生活和行为决策，然而，鲜有研究探讨关于推荐算法的负面体验及用户算法应对行为。本研究基于压力源-压力反应-结果（SSO）模型，探究短视频用户算法应对行为的影响因素和内在机理，采用偏最小二乘结构方程模型（PLS-SEM）进行实证研究。研究结果发现，算法功能感知、信息交互质量和感知算法威胁正向影响负面情感反应和算法心理抗拒，进而影响用户的算法操纵行为和算法抵抗行为，用户的负面情感反应和算法心理抗拒在其中同时起到并行和链式的中介作用，并且不同短视频平台类型的差异化作用不显著；ANN分析补充验证了研究结果的稳健性，并进一步揭示感知算法威胁和信息交互质量是引发用户压力反应的主要因素，算法心理抗拒在用户算法应对行为的形成中也发挥了至关重要的作用。研究结果为短视频智能推荐下的用户算法应对行为研究提供了新的理论视角，为短视频平台优化算法推荐服务及可持续发展提供实践参考和借鉴。

关键词： 摩擦信息学   摩擦学设计   摩擦学系统   人工智能   数模联动  

摘要： 摩擦学研究涉及多学科信息的交叉融合，研究人员倾向于从各自学科的视角理解和解决摩擦学问题，使得摩擦学领域的信息熵不断增加，形成数据孤岛。为实现多学科知识的有效整合，从设计学的视角为摩擦学研究规划实施路径，借助信息学的方法有效处理摩擦学系统的复杂信息。研究深入探讨了摩擦信息学的内涵与数模联动的摩擦学系统设计理念，梳理了摩擦学数据、信息和知识动态演化及跨学科整合的设计过程。并基于摩擦学的3个公理—摩擦学行为的系统依赖性、元素特性的时间依赖性及多学科行为的强耦合性，构建了摩擦学系统的通用信息表达模型TriboInfo={I， S， Ts， Ds， O }，针对状态监测、行为预测、系统优化和机理分析4类主要研究需求，利用降维、聚类、分类和回归等机器学习方法，建立不同信息间的关联，提出了摩擦信息学的实施方法与框架。研究结果可为摩擦学研究提供数智化的思维视角和实践参考，助力摩擦学研究的创新发展。

关键词： 相位补偿   机器学习   轨道角动量(OAM)   OAM通信   OAM索引调制   模态识别  

摘要： 针对轨道角动量(orbital angular momentum，OAM)通信中收发阵列非平行失准情况下的模态识别难题，提出了一种结合相位补偿及机器学习的模态识别方案。该方案首先基于等效原理利用空间相位差异，得到接收阵元的补偿加权相位，建立接收阵列等效模型，通过该等效机制以恢复因收发阵列未对齐而失真的涡旋相位波前；其次，将补偿后的相位和幅度数据整合为二通道数据集，用于训练卷积神经网络(convolutional neural network， CNN)模型；最后，用训练好的网络进行模态识别。文章还介绍了传统的幅值检测模态识别方法，并通过对仿真算例的对比分析，验证了所提识别方案的准确性和稳定性。仿真结果证实：所提相位补偿方法能有效恢复信号的涡旋相位波前，且具有低复杂度；在OAM索引编码调制下，所提模态识别方案相较于传统方法，在误码率性能上实现了显著提升，并展现出优越的鲁棒性。本文方案以低复杂度、高准确性和高稳定性为特点，为OAM短距离高速通信在收发阵列非平行失准场景下提供了一种高效的模态接收识别解决方案。

关键词： 低生育   人工智能   经济转型   生育意愿   生育行为  

摘要： 在人口结构转型与数字技术革命的双重背景下,中国面临生育率持续走低与人口老龄化加剧的严峻挑战。中国正处在经济社会快速发展的转型期,自动化和人工智能技术迅速发展,社会转型与技术进步叠加,深刻影响了劳动力市场、家庭经济决策与生育行为。本文从人工智能技术重塑社会生产方式的视角切入,分析中国生育率下降的原因,发现低生育的形成与经济社会转型、技术进步密切相关,就业稳定性、社会流动性和居民预期是影响生育率的本质因素。同时,人工智能技术既能通过优化资源配置缓解生育压力,也可能加剧劳动力替代焦虑抑制生育意愿。相应政策建议也不应仅仅局限在公共服务领域,更应该从劳动就业与福利保障领域出发,提前布局人工智能时代的收入分配制度和社会保障制度。本文论证构建中国特色生育支持政策体系的战略意义,提出技术赋能生育友好型社会建设的创新路径。政策体系需立足中国家庭文化传统,构建“技术支撑—制度保障—文化引导”三位一体的解决方案。

关键词： 河道洪水演算   反流向演算   LSTM神经网络   机器学习  

摘要： 河道洪水反流向演算在库群-河道联合防洪调度中具有重要作用，若直接采用马斯京根进行反向演算，存在演算结果不稳定、精度不佳等问题，难以运用于工程实际。提出一种基于LSTM神经网络模型的河道洪水反流向演算方法，建立河道上、下游断面的流量非线性映射关系模拟模型，并通过历史实测洪水资料对模型进行训练，进而实现由下游断面洪水过程反推上游断面入流过程。模型应用于汉江下游河段，结果表明，基于LSTM神经网络模型的河道洪水反流向演算方法反演结果与上游断面实际入流过程接近，相较于BP神经网络和支持向量回归方法具有更优的反演精度，证明了模型的实用性和有效性。

关键词： 机器学习   铁单原子   沸石咪唑酯骨架材料-8   新污染物   材料预测   降解性能  

摘要： 为高效评估铁单原子掺杂沸石咪唑酯骨架材料-8（iron-single-atom Zeolitic ZIF8，IZ）对新污染物的降解性能，本研究采用了机器学习（ML）方法建立了IZ对新兴污染物的降解性能预测模型。首先，对含有46个样本的IZ降解性能数据集进行了相关性分析，以确定ML模型的8个输入特征。随后，使用此数据集训练、优化和评估9个ML模型，包括自适应提升（AdaBoost）、决策树（DT）、k近邻（KNN）、套索回归模型（Lasso）、多元线性回归模型（MLR）、随机森林（RF）、岭回归（Ridge）、极端梯度提升（XGBoost）和梯度提升决策树（GBDT）。然后，利用沙普利加性解释（SHAP）方法计算了预测精度最高的黑盒模型的特征重要性，并探讨了特征与降解性能之间的关系。结果表明，RF模型的决定系数(R2)超过了0.75，其预测值的残差主要分布在-0.005～0.005。RF模型为铁的添加量和水的添加量赋予了最高的特征重要度，因为这些因素对降解性能有显著影响。在一定范围内增加铁的添加量、水的添加量、甲醇的添加量、锌的添加量、煅烧温度、pH和过氧化物的投加量均可提升IZ的降解性能。基于RF模型，本研究预测了IZ最佳的设计工艺参数组合，为利用ML预测和优化IZ对新兴污染物的降解性能提供了见解。

关键词： 煤自燃   机器学习   煤自燃预测   特征选择   优化算法  

摘要： 煤炭开采面临着煤自燃灾害的严重威胁，预测作为防治煤自燃灾害发生的重要环节之一，可以提前发现潜在的煤自燃风险，从而采取措施确保煤炭安全开采。机器学习方法，能够很好的分析与处理煤自燃与各项预测指标之间复杂关系，在煤自燃预测方面得到了广泛的研究。因此，对机器学习在煤自燃预测中的研究进行了全面的综述，分析其在预测中面临的难点并展望其发展方向。首先，分析机器学习在煤自燃温度、危险性及其他方面预测的主要预测指标，简述了应用于煤自燃预测的特征工程。其次，分析了机器学习在煤自燃预测领域的主要研究进展，包括人工神经网络(Artificial Neural Network， ANN)、支持向量机(Support Vector Machines， SVM)、聚类分析(Cluster Analysis， CA)和集成学习(Ensemble learning， EL)等算法的应用，总结应用于煤自燃预测的优化算法，同时也提出了目前机器学习应用于煤自燃预测存在的问题，例如预测指标选择有待商榷、训练样本较少且无法全面反映现场实际情况等问题。最后，展望了基于机器学习的煤自燃预测的未来发展方向，具体包括：在预测模型所需数据方面，着重于提升样本数量和质量；在煤自燃预测指标选择方面，构建煤自燃预测指标自适应优选模型；在煤自燃预测技术方面，开发煤自燃灾害预测大模型。随着计算性能的提升，有望开发出适用于煤矿所有灾害的大型语言模型，以提高对煤矿灾害事故的防范化解能力。

关键词： DeepSeek   人工智能   创新文化   中国式科技现代化  

摘要： DeepSeek作为中国人工智能领域的代表性创新主体，其技术突破与组织模式对传统创新文化范式实现了哲学解构：重构了创新主体，引发了方法论维度的创新逻辑嬗变，推动了创新伦理转向特别是价值论层面的创新伦理转向。对中国式科技现代化而言，DeepSeek启示我们要平衡集中式攻关与分布式创新，将制度优势转化为治理效能，推进知识民主化进程中的主体性重塑，融合技术伦理治理的中国智慧。在DeepSeek掀起的“科技热”背后，也要防范创新范式迭代中的异化风险，做好面向人机文明新形态的哲学准备，为中国式科技现代化进一步探索新路径。

关键词： DeepSeek   思想政治教育   人工智能   教育范式  

摘要： 以DeepSeek为典型的生成式人工智能深度应用正在重新塑造思想政治教育的形态和边界。在价值意蕴方面,DeepSeek借助构建动态交互的知识网络,把马克思主义理论转变为可进行探索的意义空间,促使教育目标从工具理性朝着价值理性转变,以“教师—技术—学生”三维关系重新构建教育主体性,并在智能适配机制里达成差异化教育公平,突破传统标准化教育的伦理困境。在逻辑机理方面,主要表现为技术、教育以及政治引领的三维协同,智能技术依靠认知脚手架和算法模型支持个性化知识建构,在教育规律的约束下形成政治性与学理性相统一的内容体系,政治引领将习近平新时代中国特色社会主义思想转化为算法表达,构建囊括数据、算法以及应用的全链条意识形态防护系统。在实践路径方面,应当构建人机协同的教育共同体,推动知识生产从静态供给转变为多维动态互构,建立终身追踪的评价体系来强化过程赋能。DeepSeek为智能时代思想政治教育提供理论创新以及实践范式,助力意识形态安全与教育治理现代化,贡献全球数字价值观教育的方法论启示。