多传感器信息融合及其应用综述 一篇文章

V2G（Vehicle-to-Grid）研究综述，荆朝霞，钟童科，电动汽车大规模的推广，将给电网带来新的挑战，而V2G（电动汽车到电网）技术的发展，也给解决峰谷差等电网问题提供新的思路。本文

符号网络是指边具有正或负符号属性的网络,其中,正边和负边分别表示积极的关系和消极的关系.真实世界的许多复杂网络中都存在对立的关系,尤其是在信息、生物和社会领域.利用边的符号属性去分析、理解和预测这些复杂网络的拓扑结构、功能、动力学行为具有十分重要的理论意义,并且对个性化推荐、态度预测、用户特征分析与聚类等都具有重要的应用价值.然而,当前人们对网络的符号属性关注较少.综述了符号网络的研究背景及意义、国内外研究现状和最新进展,并讨论了目前存在的主要问题,试图让人们对符号网络这一研究方向能有清晰而全面的认识,为网络数据挖掘、复杂网络分析、社会学、生物信息学等相关领域的研究者提供有益的参考.

基于珩磨工艺,对其研究现状做了汇总;阐述了其工作原理、工艺等发展现状;分析了珩磨的发展趋势与展望。该综述对机械精密加工领域有一定的指导作用。

当前，以Hadoop、Spark为代表的大数据处理框架，已经在学术界和工业界被广泛应用于大规模数据的处理和分析.这些大数据处理框架采用分布式架构，使用Java、Scala等面向对象语言编写，在集群节点上以Java虚拟机（JVM）为运行时环境执行计算任务，因此依赖JVM的自动内存管理机制来分配和回收数据对象.

通信技术和医疗物联网的最新进展改变了由人工智能(AI)实现的智能医疗。传统上，人工智能技术需要集中的数据收集和处理，但由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗场景中可能不可行。联邦学习(FL)是一种新兴的分布式协同人工智能范式，通过协调多个客户(如医院)在不共享原始数据的情况下进行人工智能训练，对智能医疗保健特别有吸引力。

当前的机器学习和深度学习模型都需要大量的标注数据来进行训练，以达到一个较好的效果。但是在带 label 的训练样本很少或很难获取的情况下，直接训练模型通常不会有很好的泛化能力，反而容易造成模型对样本过拟合以及对目标任务欠拟合。

医学视觉问答(VQA)是医学人工智能和流行的VQA挑战的结合。用自然语言给出医学图像和临床相关问题，期望医学VQA系统能够给出一个可信的、令人信服的答案。虽然一般领域的VQA已经得到了广泛的研究，但医学VQA由于其任务特点，还需要具体的研究和探索。

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据的处理。由于集成学习在不平衡数据分类的优势,针对不平衡数据的集成分类算法得到广泛研究。详细分析了不平衡数据集成分类算法的研究现状,比较了现有算法的差异和各自存在的优点及问题,提出和分析了有待进一步研究的问题。

介绍了近年来可拓神经网络的发展，对可拓神经网络的基本思想、算法思路、应用研究进行了系统分析，并提出和分析了有待进一步研究的方向和问题。