<?xml version="1.0" encoding="UTF-8"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:prism="http://prismstandard.org/namespaces/basic/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:syn="http://purl.org/rss/1.0/modules/syndication/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns="http://purl.org/rss/1.0/">
  <channel rdf:about="https://www.aas.net.cn/">
    <title>自动化学报</title>
    <link>https://www.aas.net.cn/</link>
    <description>ACTA AUTOMATICA SINICA</description>
    <dc:creator>aas_editor@ia.ac.cn</dc:creator>
    <dc:publisher>aas_editor@ia.ac.cn</dc:publisher>
    <dc:language>en</dc:language>
	<prism:rightsAgent>aas_editor@ia.ac.cn</prism:rightsAgent>
    <prism:issn>0254-4156</prism:issn>
    <items>
		<rdf:Seq>
		<rdf:li rdf:resource="https://www.aas.net.cn/article/id/3eabdb57-d223-4389-b55f-474760730e90"/><rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c202608?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c240805?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250451?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250499?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250594?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250515?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250124?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250393?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250087?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250382?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250517?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250666?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c260047?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250547?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250726?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250724?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250250?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250658?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250450?pageType=en"/>
  		<rdf:li rdf:resource="https://www.aas.net.cn/article/doi/10.16383/j.aas.c260212?pageType=en"/>
  				</rdf:Seq>
    </items>
  </channel>
    <item rdf:about="https://www.aas.net.cn/article/id/3eabdb57-d223-4389-b55f-474760730e90?pageType=en">
    <title><![CDATA[目录]]></title>
    <link>https://www.aas.net.cn/article/id/3eabdb57-d223-4389-b55f-474760730e90</link>    <description>
		<![CDATA[  自动化学报. 2026 52(8): -.]]>
	</description>
    <content:encoded>
		<![CDATA[  自动化学报. 2026 52(8): -.]]>
	</content:encoded>
    <dc:title><![CDATA[目录]]></dc:title>
    <dc:creator><![CDATA[]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): -.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:</dc:identifier>
    <prism:doi></prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/id/3eabdb57-d223-4389-b55f-474760730e90</prism:url>	<prism:startingPage></prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c202608?pageType=en">
    <title><![CDATA[人工智能大模型及单点技术专题序言]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c202608?pageType=en</link>
	    <description>
		<![CDATA[赖剑煌  自动化学报. 2026 52(8): 1491-1492.]]>
	</description>
    <content:encoded>
		<![CDATA[赖剑煌  自动化学报. 2026 52(8): 1491-1492.]]>
	</content:encoded>
    <dc:title><![CDATA[人工智能大模型及单点技术专题序言]]></dc:title>
    <dc:creator><![CDATA[赖剑煌]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1491-1492.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c202608</dc:identifier>
    <prism:doi>10.16383/j.aas.c202608</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c202608?pageType=en</prism:url>
		<prism:startingPage>1491</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c240805?pageType=en">
    <title><![CDATA[面向大模型时代的持续学习方法论演变]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c240805?pageType=en</link>
	    <description>
		<![CDATA[王全子昂, 王仁振, 孟德宇, 徐宗本 以深度学习为代表的机器学习方法已经在多个领域取得显著进展, 然而大多方法局限于静态场景, 难以像人类一样在开放世界的动态场景中不断学习新知识, 同时保持已经学过的知识. 为解决该挑战, 持续学习受到越来越多的关注. 现有的持续学习方法大致可以分为两类, 即传统的非预训练模型持续学习方法以及大模型时代下逐步演进的预训练模型持续学习方法. 本文旨在对这两类方法的研究进展进行详细的综述, 主要从四个层面对比非预训练模型和预训练模型方法的异同点, 即数据层面、模型层面、损失/优化层面以及理论层面. 着重分析从应用非预训练模型的方法发展到应用预训练模型的方法的技术变化, 并分析出现此类差异的内在本质. 最后, 总结并展望未来持续学习发展的趋势. 自动化学报. 2026 52(8): 1493-1519.]]>
	</description>
    <content:encoded>
		<![CDATA[王全子昂, 王仁振, 孟德宇, 徐宗本 以深度学习为代表的机器学习方法已经在多个领域取得显著进展, 然而大多方法局限于静态场景, 难以像人类一样在开放世界的动态场景中不断学习新知识, 同时保持已经学过的知识. 为解决该挑战, 持续学习受到越来越多的关注. 现有的持续学习方法大致可以分为两类, 即传统的非预训练模型持续学习方法以及大模型时代下逐步演进的预训练模型持续学习方法. 本文旨在对这两类方法的研究进展进行详细的综述, 主要从四个层面对比非预训练模型和预训练模型方法的异同点, 即数据层面、模型层面、损失/优化层面以及理论层面. 着重分析从应用非预训练模型的方法发展到应用预训练模型的方法的技术变化, 并分析出现此类差异的内在本质. 最后, 总结并展望未来持续学习发展的趋势. 自动化学报. 2026 52(8): 1493-1519.]]>
	</content:encoded>
    <dc:title><![CDATA[面向大模型时代的持续学习方法论演变]]></dc:title>
    <dc:creator><![CDATA[王全子昂, 王仁振, 孟德宇, 徐宗本]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1493-1519.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c240805</dc:identifier>
    <prism:doi>10.16383/j.aas.c240805</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c240805?pageType=en</prism:url>
		<prism:startingPage>1493</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250451?pageType=en">
    <title><![CDATA[大模型参数高效微调方法综述: 技术、趋势与挑战]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250451?pageType=en</link>
	    <description>
		<![CDATA[唐岸达, 林宙辰 大规模预训练模型在自然语言处理等多个领域表现优异. 为更好地适配下游任务, 微调预训练模型是一个常用的方法, 但全量微调面临高昂计算与存储成本. 参数高效微调 (PEFT) 通过仅更新极少量参数, 在降低开销的同时保持模型性能. 该综述系统梳理PEFT领域的主流方法. 首先, 将现有方法归纳为添加式、局部式、重参数化式和融合式四大范式, 并深入剖析各类方法的核心机理、性能特征、应用场景及策略优势. 进而, 探讨PEFT的技术演进, 总结出PEFT方法从单一方法创新走向存储、计算、性能的三元权衡, 并向自动化、智能化、软硬件协同等统一框架发展. 更进一步, 该综述对各类代表性PEFT方法进行性能与参数效率的定量比较. 此外, 本综述还涵盖PEFT在视觉、语音及跨模态模型等领域的拓展应用. 最后, 总结并探讨未来研究方向, 以推动更高效、更适应多样化任务的大模型微调技术的发展. 自动化学报. 2026 52(8): 1520-1556.]]>
	</description>
    <content:encoded>
		<![CDATA[唐岸达, 林宙辰 大规模预训练模型在自然语言处理等多个领域表现优异. 为更好地适配下游任务, 微调预训练模型是一个常用的方法, 但全量微调面临高昂计算与存储成本. 参数高效微调 (PEFT) 通过仅更新极少量参数, 在降低开销的同时保持模型性能. 该综述系统梳理PEFT领域的主流方法. 首先, 将现有方法归纳为添加式、局部式、重参数化式和融合式四大范式, 并深入剖析各类方法的核心机理、性能特征、应用场景及策略优势. 进而, 探讨PEFT的技术演进, 总结出PEFT方法从单一方法创新走向存储、计算、性能的三元权衡, 并向自动化、智能化、软硬件协同等统一框架发展. 更进一步, 该综述对各类代表性PEFT方法进行性能与参数效率的定量比较. 此外, 本综述还涵盖PEFT在视觉、语音及跨模态模型等领域的拓展应用. 最后, 总结并探讨未来研究方向, 以推动更高效、更适应多样化任务的大模型微调技术的发展. 自动化学报. 2026 52(8): 1520-1556.]]>
	</content:encoded>
    <dc:title><![CDATA[大模型参数高效微调方法综述: 技术、趋势与挑战]]></dc:title>
    <dc:creator><![CDATA[唐岸达, 林宙辰]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1520-1556.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250451</dc:identifier>
    <prism:doi>10.16383/j.aas.c250451</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250451?pageType=en</prism:url>
		<prism:startingPage>1520</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250499?pageType=en">
    <title><![CDATA[大模型驱动的文本属性图学习研究进展]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250499?pageType=en</link>
	    <description>
		<![CDATA[郑艳萍, 季嘉蕊, 胡雨韦, 魏哲巍 近年来, 随着大模型在多模态领域的快速发展, 文本属性图学习也迎来了新的范式. 文本属性图中包含图结构与丰富的节点/边文本属性信息, 广泛存在于社交网络、论文引用网络与知识图谱等场景. 然而, 传统图神经网络通常依赖浅层文本嵌入作为初始节点表示, 难以充分捕捉上下文依赖与复杂语义信息, 并在图结构与文本语义的融合上存在天然局限. 为克服这一瓶颈, 近年来研究者开始探索利用大模型强大的语言理解、知识记忆与推理能力来提升文本属性图学习的效果, 推动了该领域的新一轮发展. 本文系统梳理大模型驱动的文本属性图学习研究进展, 围绕图生成、图预测、图推理三大核心任务, 回顾代表性方法与主要范式, 并总结现有研究中常用的数据集与评测基准. 在文本属性图研究中, 当前在图生成、图预测与图推理三大任务中分别面临结构与属性表达效率不足、生成方法匮乏, 评估体系与可扩展性不完善, 以及复杂关系建模与多跳推理受限等挑战. 结合上述问题提出未来发展方向, 期望为后续研究提供系统化参考与整体性视角, 进一步促进大模型与图学习的深度耦合. 自动化学报. 2026 52(8): 1557-1592.]]>
	</description>
    <content:encoded>
		<![CDATA[郑艳萍, 季嘉蕊, 胡雨韦, 魏哲巍 近年来, 随着大模型在多模态领域的快速发展, 文本属性图学习也迎来了新的范式. 文本属性图中包含图结构与丰富的节点/边文本属性信息, 广泛存在于社交网络、论文引用网络与知识图谱等场景. 然而, 传统图神经网络通常依赖浅层文本嵌入作为初始节点表示, 难以充分捕捉上下文依赖与复杂语义信息, 并在图结构与文本语义的融合上存在天然局限. 为克服这一瓶颈, 近年来研究者开始探索利用大模型强大的语言理解、知识记忆与推理能力来提升文本属性图学习的效果, 推动了该领域的新一轮发展. 本文系统梳理大模型驱动的文本属性图学习研究进展, 围绕图生成、图预测、图推理三大核心任务, 回顾代表性方法与主要范式, 并总结现有研究中常用的数据集与评测基准. 在文本属性图研究中, 当前在图生成、图预测与图推理三大任务中分别面临结构与属性表达效率不足、生成方法匮乏, 评估体系与可扩展性不完善, 以及复杂关系建模与多跳推理受限等挑战. 结合上述问题提出未来发展方向, 期望为后续研究提供系统化参考与整体性视角, 进一步促进大模型与图学习的深度耦合. 自动化学报. 2026 52(8): 1557-1592.]]>
	</content:encoded>
    <dc:title><![CDATA[大模型驱动的文本属性图学习研究进展]]></dc:title>
    <dc:creator><![CDATA[郑艳萍, 季嘉蕊, 胡雨韦, 魏哲巍]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1557-1592.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250499</dc:identifier>
    <prism:doi>10.16383/j.aas.c250499</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250499?pageType=en</prism:url>
		<prism:startingPage>1557</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250594?pageType=en">
    <title><![CDATA[视觉工业缺陷检测: 从非基础模型到基础模型的演进与协同综述]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250594?pageType=en</link>
	    <description>
		<![CDATA[杨天乐, 常璐瑶, 言嘉栋, 李俊涛, 张可, 张民 随着工业产品日益丰富且精密复杂, 视觉工业缺陷检测技术备受关注. 近年来, 基础模型(FM)凭借其从海量数据中获取的广博先验知识, 在泛化能力及少样本与零样本场景中展现出强大的潜力. 然而, 梳理现有方法可以发现一个值得关注的现象: 当前许多先进的FM方法, 其性能的显著提升并非单纯依赖FM的应用, 而是通过将FM强大的通用表征能力与非基础模型(NFM)方法中成熟、高效的任务导向型原理(例如对比学习、知识蒸馏和异常合成)进行战略性融合. 为系统性地分析并揭示这一协同范式, 首先分别对NFM和FM方法进行系统性综述, 并从多维度比较两种方法, 分析各自的优势与局限. 在此基础上, 深入剖析NFM策略如何从其原始架构中解耦出来, 并被重新用于增强FM在工业应用中的性能, 同时构建协同机制适配性矩阵. 此外, 进一步探讨该范式在实际场景中的落地局限. 在对比数据的支持下, 分析结果表明, FM的通用知识与NFM的任务特化优势之间存在巨大的协同潜力, 这为未来的研究指明了一条有效的借鉴思路. 自动化学报. 2026 52(8): 1593-1614.]]>
	</description>
    <content:encoded>
		<![CDATA[杨天乐, 常璐瑶, 言嘉栋, 李俊涛, 张可, 张民 随着工业产品日益丰富且精密复杂, 视觉工业缺陷检测技术备受关注. 近年来, 基础模型(FM)凭借其从海量数据中获取的广博先验知识, 在泛化能力及少样本与零样本场景中展现出强大的潜力. 然而, 梳理现有方法可以发现一个值得关注的现象: 当前许多先进的FM方法, 其性能的显著提升并非单纯依赖FM的应用, 而是通过将FM强大的通用表征能力与非基础模型(NFM)方法中成熟、高效的任务导向型原理(例如对比学习、知识蒸馏和异常合成)进行战略性融合. 为系统性地分析并揭示这一协同范式, 首先分别对NFM和FM方法进行系统性综述, 并从多维度比较两种方法, 分析各自的优势与局限. 在此基础上, 深入剖析NFM策略如何从其原始架构中解耦出来, 并被重新用于增强FM在工业应用中的性能, 同时构建协同机制适配性矩阵. 此外, 进一步探讨该范式在实际场景中的落地局限. 在对比数据的支持下, 分析结果表明, FM的通用知识与NFM的任务特化优势之间存在巨大的协同潜力, 这为未来的研究指明了一条有效的借鉴思路. 自动化学报. 2026 52(8): 1593-1614.]]>
	</content:encoded>
    <dc:title><![CDATA[视觉工业缺陷检测: 从非基础模型到基础模型的演进与协同综述]]></dc:title>
    <dc:creator><![CDATA[杨天乐, 常璐瑶, 言嘉栋, 李俊涛, 张可, 张民]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1593-1614.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250594</dc:identifier>
    <prism:doi>10.16383/j.aas.c250594</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250594?pageType=en</prism:url>
		<prism:startingPage>1593</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250515?pageType=en">
    <title><![CDATA[高效提升多模态大语言模型推理能力的级联强化学习策略]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250515?pageType=en</link>
	    <description>
		<![CDATA[王玮赟, 蒲恒骏, 景凌林, 乔宇 强化学习在提升多模态大语言模型的推理能力上展现出巨大潜力, 逐渐成为模型训练过程中的关键步骤. 然而, 在线强化学习算法需要策略模型在训练过程中实时采样, 且收敛速度较慢, 因此训练成本昂贵; 离线强化学习算法虽然整体成本更低, 但是也牺牲了性能上限. 本文尝试将离线强化学习训练成本低的特性与在线强化学习性能上限高的优势相结合, 提出一种新的训练策略——级联强化学习. 这套训练策略包含离线强化学习和在线强化学习两个训练阶段, 其中离线强化学习阶段用于加速模型收敛并提升后续训练的稳定性; 在线强化学习阶段对模型进行更精细的训练, 进一步提升其性能上限. 本文通过一系列定量分析实验证明了相比单一的在线强化学习算法, 级联强化学习可以通过一半的训练成本达到更高的性能上限. 这种简单有效的训练策略将InternVL3.5-8B-Instruct和InternVL3.5-241B-A28B-Instruct在七个多模态推理评测基准上的平均准确率分别提升了6.7%和6.5%, 证明了这一策略的有效性和可扩展性. 自动化学报. 2026 52(8): 1615-1632.]]>
	</description>
    <content:encoded>
		<![CDATA[王玮赟, 蒲恒骏, 景凌林, 乔宇 强化学习在提升多模态大语言模型的推理能力上展现出巨大潜力, 逐渐成为模型训练过程中的关键步骤. 然而, 在线强化学习算法需要策略模型在训练过程中实时采样, 且收敛速度较慢, 因此训练成本昂贵; 离线强化学习算法虽然整体成本更低, 但是也牺牲了性能上限. 本文尝试将离线强化学习训练成本低的特性与在线强化学习性能上限高的优势相结合, 提出一种新的训练策略——级联强化学习. 这套训练策略包含离线强化学习和在线强化学习两个训练阶段, 其中离线强化学习阶段用于加速模型收敛并提升后续训练的稳定性; 在线强化学习阶段对模型进行更精细的训练, 进一步提升其性能上限. 本文通过一系列定量分析实验证明了相比单一的在线强化学习算法, 级联强化学习可以通过一半的训练成本达到更高的性能上限. 这种简单有效的训练策略将InternVL3.5-8B-Instruct和InternVL3.5-241B-A28B-Instruct在七个多模态推理评测基准上的平均准确率分别提升了6.7%和6.5%, 证明了这一策略的有效性和可扩展性. 自动化学报. 2026 52(8): 1615-1632.]]>
	</content:encoded>
    <dc:title><![CDATA[高效提升多模态大语言模型推理能力的级联强化学习策略]]></dc:title>
    <dc:creator><![CDATA[王玮赟, 蒲恒骏, 景凌林, 乔宇]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1615-1632.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250515</dc:identifier>
    <prism:doi>10.16383/j.aas.c250515</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250515?pageType=en</prism:url>
		<prism:startingPage>1615</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250124?pageType=en">
    <title><![CDATA[3D空间先验驱动的相机轨迹可控视频扩散模型]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250124?pageType=en</link>
	    <description>
		<![CDATA[朱泓舟, 杨雪, 赵敏, 李崇轩, 朱军 近年来, 视频扩散模型在相机可控的图像到视频生成任务中取得突破性进展. 然而, 现有方法在维持3D空间结构一致性方面仍面临显著挑战, 其生成视频普遍存在空间结构模糊化、多视角下物体形态畸变等缺陷, 这些问题严重制约了生成视频的视觉可信度. 为解决这些问题, 提出在视频扩散模型的训练和推理阶段均引入额外的3D空间先验信息, 以增强生成视频的空间结构一致性. 具体而言, 在训练阶段, 设计基于视角形变映射的条件嵌入方法(Warp-Injection), 通过进行逐帧视角形变映射与图像补全构建具备高度空间一致性的参考帧序列, 并将其作为结构先验条件嵌入扩散模型的训练过程. 在推理阶段, 首先提出初始噪声空间几何校正策略(Warp-Init): 对条件图像加噪进行首帧初始化, 此后通过迭代式视角形变映射构建符合3D一致性约束的初始噪声序列. 在此基础上, 进一步在去噪过程中引入基于视角形变先验的能量函数引导策略(Warp-Guidance), 通过减小生成帧与视角形变映射后的预期目标视频之间的距离来实现对视频3D空间一致性的校正. 在标准RealEstate10K数据集上的实验结果表明, 相较于当前最优模型, 本文方法在FVD指标上取得18.03的显著优化, 同时将3D结构估计的失败率(COLMAP error rate) 降低至5.2%. 可视化分析进一步证明, 本文方法能有效维持生成视频的3D空间结构一致性. 自动化学报. 2026 52(8): 1633-1644.]]>
	</description>
    <content:encoded>
		<![CDATA[朱泓舟, 杨雪, 赵敏, 李崇轩, 朱军 近年来, 视频扩散模型在相机可控的图像到视频生成任务中取得突破性进展. 然而, 现有方法在维持3D空间结构一致性方面仍面临显著挑战, 其生成视频普遍存在空间结构模糊化、多视角下物体形态畸变等缺陷, 这些问题严重制约了生成视频的视觉可信度. 为解决这些问题, 提出在视频扩散模型的训练和推理阶段均引入额外的3D空间先验信息, 以增强生成视频的空间结构一致性. 具体而言, 在训练阶段, 设计基于视角形变映射的条件嵌入方法(Warp-Injection), 通过进行逐帧视角形变映射与图像补全构建具备高度空间一致性的参考帧序列, 并将其作为结构先验条件嵌入扩散模型的训练过程. 在推理阶段, 首先提出初始噪声空间几何校正策略(Warp-Init): 对条件图像加噪进行首帧初始化, 此后通过迭代式视角形变映射构建符合3D一致性约束的初始噪声序列. 在此基础上, 进一步在去噪过程中引入基于视角形变先验的能量函数引导策略(Warp-Guidance), 通过减小生成帧与视角形变映射后的预期目标视频之间的距离来实现对视频3D空间一致性的校正. 在标准RealEstate10K数据集上的实验结果表明, 相较于当前最优模型, 本文方法在FVD指标上取得18.03的显著优化, 同时将3D结构估计的失败率(COLMAP error rate) 降低至5.2%. 可视化分析进一步证明, 本文方法能有效维持生成视频的3D空间结构一致性. 自动化学报. 2026 52(8): 1633-1644.]]>
	</content:encoded>
    <dc:title><![CDATA[3D空间先验驱动的相机轨迹可控视频扩散模型]]></dc:title>
    <dc:creator><![CDATA[朱泓舟, 杨雪, 赵敏, 李崇轩, 朱军]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1633-1644.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250124</dc:identifier>
    <prism:doi>10.16383/j.aas.c250124</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250124?pageType=en</prism:url>
		<prism:startingPage>1633</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250393?pageType=en">
    <title><![CDATA[宇航用处理器发展与展望]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250393?pageType=en</link>
	    <description>
		<![CDATA[年嘉伟, 王旭茹, 刘鸿瑾, 房方, 杨孟飞 本文系统地回顾了美国、欧洲及我国在宇航用处理器领域的技术演进, 重点分析基于PowerPC架构的美国代表性处理器产品以及采用SPARC架构的欧洲与我国典型处理器方案. 研究揭示, 未来宇航用处理器的发展将显著分化为通用型与智能型两大技术路线. 通用型宇航用处理器将呈现高性能(如提升多核并行计算能力)、高集成度(如实现系统级芯片)、高可靠性(如强化抗辐照设计)及低功耗的协同发展趋势, 而智能型处理器将侧重于提升在轨实时智能信息处理能力. 自动化学报. 2026 52(8): 1645-1658.]]>
	</description>
    <content:encoded>
		<![CDATA[年嘉伟, 王旭茹, 刘鸿瑾, 房方, 杨孟飞 本文系统地回顾了美国、欧洲及我国在宇航用处理器领域的技术演进, 重点分析基于PowerPC架构的美国代表性处理器产品以及采用SPARC架构的欧洲与我国典型处理器方案. 研究揭示, 未来宇航用处理器的发展将显著分化为通用型与智能型两大技术路线. 通用型宇航用处理器将呈现高性能(如提升多核并行计算能力)、高集成度(如实现系统级芯片)、高可靠性(如强化抗辐照设计)及低功耗的协同发展趋势, 而智能型处理器将侧重于提升在轨实时智能信息处理能力. 自动化学报. 2026 52(8): 1645-1658.]]>
	</content:encoded>
    <dc:title><![CDATA[宇航用处理器发展与展望]]></dc:title>
    <dc:creator><![CDATA[年嘉伟, 王旭茹, 刘鸿瑾, 房方, 杨孟飞]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1645-1658.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250393</dc:identifier>
    <prism:doi>10.16383/j.aas.c250393</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250393?pageType=en</prism:url>
		<prism:startingPage>1645</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250087?pageType=en">
    <title><![CDATA[一种基于单比特通信压缩的大语言模型训练方法]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250087?pageType=en</link>
	    <description>
		<![CDATA[陈楚岩, 刘烨谞, 贾维宸, 何雨桐, 袁坤, 王立威 近年来, 大语言模型研究取得突破性进展. 针对大模型分布式训练中通信开销高、算力利用率低的问题, 提出一种基于Adam-mini优化器的单比特通信压缩算法——单比特Adam-mini. 该算法通过减少二阶动量参数, 使得能够以较小的通信代价精确计算全局二阶动量, 从而简化通信误差补偿机制的设计. 单比特Adam-mini不仅避免了现有单比特Adam算法中通信开销较大的预热阶段, 还具备可证明的线性加速性质, 确保分布式训练的高效性. 实验结果表明, 该算法在多种任务上表现优异, 并且可以兼容稀疏压缩器, 为大模型训练提供更高效的解决方案. 自动化学报. 2026 52(8): 1659-1676.]]>
	</description>
    <content:encoded>
		<![CDATA[陈楚岩, 刘烨谞, 贾维宸, 何雨桐, 袁坤, 王立威 近年来, 大语言模型研究取得突破性进展. 针对大模型分布式训练中通信开销高、算力利用率低的问题, 提出一种基于Adam-mini优化器的单比特通信压缩算法——单比特Adam-mini. 该算法通过减少二阶动量参数, 使得能够以较小的通信代价精确计算全局二阶动量, 从而简化通信误差补偿机制的设计. 单比特Adam-mini不仅避免了现有单比特Adam算法中通信开销较大的预热阶段, 还具备可证明的线性加速性质, 确保分布式训练的高效性. 实验结果表明, 该算法在多种任务上表现优异, 并且可以兼容稀疏压缩器, 为大模型训练提供更高效的解决方案. 自动化学报. 2026 52(8): 1659-1676.]]>
	</content:encoded>
    <dc:title><![CDATA[一种基于单比特通信压缩的大语言模型训练方法]]></dc:title>
    <dc:creator><![CDATA[陈楚岩, 刘烨谞, 贾维宸, 何雨桐, 袁坤, 王立威]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1659-1676.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250087</dc:identifier>
    <prism:doi>10.16383/j.aas.c250087</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250087?pageType=en</prism:url>
		<prism:startingPage>1659</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250382?pageType=en">
    <title><![CDATA[图注意力驱动的跨场景协同拦截强化学习方法]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250382?pageType=en</link>
	    <description>
		<![CDATA[吴子鹏, 马麒超, 秦家虎, 詹晨光, 张金鹏 针对复杂动态场景下大规模无人集群拦截任务, 提出一种基于图注意力机制与动态分组的集群协同拦截框架. 现有基于规则或优化的方法在实时性、泛化性与目标分配效能方面存在局限, 而多智能体强化学习(MARL)在复杂动态场景下面临维度爆炸、策略泛化性不足等挑战. 为提升复杂动态场景下集群拦截策略学习效率以及跨场景泛化性, 创新性地设计了动态分组模块、图注意力模块与改进多智能体强化学习模块, 并融合成一套闭环算法框架: 1)动态分组模块通过周期性聚类将敌方集群分解为低维战术小组, 敌方小组信息作为节点传输给图注意力模块, 降低状态−动作维度; 2)图注意力模块利用敌方小组节点信息, 基于图注意力网络进行特征融合并构建己方智能体−敌方小组间相对关系, 生成目标重要性权重以引导差异化奖励函数设计, 提升了策略目标分配与泛化能力; 3) MARL模块结合差异化奖励函数与融合特征, 基于SAC算法与对抗性训练机制, 以进一步增强策略泛化性. 仿真实验表明该框架显著提升了复杂动态场景下集群拦截效率以及跨场景泛化性. 自动化学报. 2026 52(8): 1677-1689.]]>
	</description>
    <content:encoded>
		<![CDATA[吴子鹏, 马麒超, 秦家虎, 詹晨光, 张金鹏 针对复杂动态场景下大规模无人集群拦截任务, 提出一种基于图注意力机制与动态分组的集群协同拦截框架. 现有基于规则或优化的方法在实时性、泛化性与目标分配效能方面存在局限, 而多智能体强化学习(MARL)在复杂动态场景下面临维度爆炸、策略泛化性不足等挑战. 为提升复杂动态场景下集群拦截策略学习效率以及跨场景泛化性, 创新性地设计了动态分组模块、图注意力模块与改进多智能体强化学习模块, 并融合成一套闭环算法框架: 1)动态分组模块通过周期性聚类将敌方集群分解为低维战术小组, 敌方小组信息作为节点传输给图注意力模块, 降低状态−动作维度; 2)图注意力模块利用敌方小组节点信息, 基于图注意力网络进行特征融合并构建己方智能体−敌方小组间相对关系, 生成目标重要性权重以引导差异化奖励函数设计, 提升了策略目标分配与泛化能力; 3) MARL模块结合差异化奖励函数与融合特征, 基于SAC算法与对抗性训练机制, 以进一步增强策略泛化性. 仿真实验表明该框架显著提升了复杂动态场景下集群拦截效率以及跨场景泛化性. 自动化学报. 2026 52(8): 1677-1689.]]>
	</content:encoded>
    <dc:title><![CDATA[图注意力驱动的跨场景协同拦截强化学习方法]]></dc:title>
    <dc:creator><![CDATA[吴子鹏, 马麒超, 秦家虎, 詹晨光, 张金鹏]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1677-1689.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250382</dc:identifier>
    <prism:doi>10.16383/j.aas.c250382</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250382?pageType=en</prism:url>
		<prism:startingPage>1677</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250517?pageType=en">
    <title><![CDATA[面向文本属性图基础模型的“检索−分治”测试时自适应方法]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250517?pageType=en</link>
	    <description>
		<![CDATA[靳毅凡, 李懿, 宋飞, 王瑞, 李江梦, 刘立祥, 孙富春 文本属性图基础模型(TAG-FM)旨在通过在大规模图数据集上预训练, 实现稳健的跨域泛化能力. 尽管TAG-FM已在多项下游任务中展现出良好的性能, 但是通过深入分析发现, 其在泛化能力方面仍存在关键弱点: 域适应阈值效应, 即当预训练域与测试域之间的分布偏移超过某一临界阈值时, 模型性能将出现显著退化. 由于基础模型复杂度高且测试数据稀缺, 引入测试时自适应方法成为缓解该问题的可行方案. 然而现有测试时自适应方法在实例层和域层均存在局限, 严重制约着TAG-FM对分布外数据的适应性能. 针对此问题, 提出一种面向TAG-FM的“检索−分治”测试时自适应方法, 该方法通过检索增强的特征共形融合模块生成融合图结构和节点文本语义的统一特征, 并引入一种分而治之的测试时自适应策略, 通过渐进式自适应过程学习泛化性语义. 在7个基准文本属性图数据集和12个严重域偏移文本属性图数据集上的实验结果表明, 本文方法能够显著增强TAG-FM的跨域泛化能力. 自动化学报. 2026 52(8): 1690-1709.]]>
	</description>
    <content:encoded>
		<![CDATA[靳毅凡, 李懿, 宋飞, 王瑞, 李江梦, 刘立祥, 孙富春 文本属性图基础模型(TAG-FM)旨在通过在大规模图数据集上预训练, 实现稳健的跨域泛化能力. 尽管TAG-FM已在多项下游任务中展现出良好的性能, 但是通过深入分析发现, 其在泛化能力方面仍存在关键弱点: 域适应阈值效应, 即当预训练域与测试域之间的分布偏移超过某一临界阈值时, 模型性能将出现显著退化. 由于基础模型复杂度高且测试数据稀缺, 引入测试时自适应方法成为缓解该问题的可行方案. 然而现有测试时自适应方法在实例层和域层均存在局限, 严重制约着TAG-FM对分布外数据的适应性能. 针对此问题, 提出一种面向TAG-FM的“检索−分治”测试时自适应方法, 该方法通过检索增强的特征共形融合模块生成融合图结构和节点文本语义的统一特征, 并引入一种分而治之的测试时自适应策略, 通过渐进式自适应过程学习泛化性语义. 在7个基准文本属性图数据集和12个严重域偏移文本属性图数据集上的实验结果表明, 本文方法能够显著增强TAG-FM的跨域泛化能力. 自动化学报. 2026 52(8): 1690-1709.]]>
	</content:encoded>
    <dc:title><![CDATA[面向文本属性图基础模型的“检索−分治”测试时自适应方法]]></dc:title>
    <dc:creator><![CDATA[靳毅凡, 李懿, 宋飞, 王瑞, 李江梦, 刘立祥, 孙富春]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1690-1709.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250517</dc:identifier>
    <prism:doi>10.16383/j.aas.c250517</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250517?pageType=en</prism:url>
		<prism:startingPage>1690</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250666?pageType=en">
    <title><![CDATA[基于渐进式适配器的动态点云高效迁移学习方法]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250666?pageType=en</link>
	    <description>
		<![CDATA[孙一丁, 祝继华, 王耀南, 程浩喆, 卢超翼, 陈林 动态点云视频时空耦合复杂, 现有端到端方法仅支持特定数据集与任务验证, 跨场景、跨任务泛化能力不足, 需重复训练. 为能够挖掘可迁移的通用先验, 本文将研究视角重新聚焦于静态点云基础模型. 首先分析现有迁移学习方法存在的两大掣肘, 即密集计算与冗余设计. 为实现轻量、紧凑的目标, 提出一种基于渐进式适配器的跨模态高效迁移学习方法. 该方法通过无重叠滑动窗口注意力, 将自注意力复杂度由二次阶降为线性阶. 其次引入洗牌希尔伯特-Z序双向扫描曲线, 将动态点云视频约束为兼容Mamba的特征序列, 并以渐进式门控融合实现基础模型与新增适配器的高效协同. 整体方法不改变基础模型权重, 不依赖外部辅助设计. 最后在MSR-Action3D、HOI4D和SHREC＇17上的实验结果表明, 仅微调1.8%参数即可获得超越现有基线模型的性能, 验证了该方法的优越性. 自动化学报. 2026 52(8): 1710-1720.]]>
	</description>
    <content:encoded>
		<![CDATA[孙一丁, 祝继华, 王耀南, 程浩喆, 卢超翼, 陈林 动态点云视频时空耦合复杂, 现有端到端方法仅支持特定数据集与任务验证, 跨场景、跨任务泛化能力不足, 需重复训练. 为能够挖掘可迁移的通用先验, 本文将研究视角重新聚焦于静态点云基础模型. 首先分析现有迁移学习方法存在的两大掣肘, 即密集计算与冗余设计. 为实现轻量、紧凑的目标, 提出一种基于渐进式适配器的跨模态高效迁移学习方法. 该方法通过无重叠滑动窗口注意力, 将自注意力复杂度由二次阶降为线性阶. 其次引入洗牌希尔伯特-Z序双向扫描曲线, 将动态点云视频约束为兼容Mamba的特征序列, 并以渐进式门控融合实现基础模型与新增适配器的高效协同. 整体方法不改变基础模型权重, 不依赖外部辅助设计. 最后在MSR-Action3D、HOI4D和SHREC＇17上的实验结果表明, 仅微调1.8%参数即可获得超越现有基线模型的性能, 验证了该方法的优越性. 自动化学报. 2026 52(8): 1710-1720.]]>
	</content:encoded>
    <dc:title><![CDATA[基于渐进式适配器的动态点云高效迁移学习方法]]></dc:title>
    <dc:creator><![CDATA[孙一丁, 祝继华, 王耀南, 程浩喆, 卢超翼, 陈林]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1710-1720.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250666</dc:identifier>
    <prism:doi>10.16383/j.aas.c250666</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250666?pageType=en</prism:url>
		<prism:startingPage>1710</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c260047?pageType=en">
    <title><![CDATA[高超声速变形飞行器自适应抗扰与抗饱和最优控制]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c260047?pageType=en</link>
	    <description>
		<![CDATA[顾鑫, 韦常柱, 刘哲, 马鑫海, 黄浩 针对高超声速变形飞行器在变形过程中面临的模型不确定性、强外部扰动及执行器饱和问题, 提出一种复合控制方法. 该方法集成预设时间扰动观测器、抗饱和辅助系统与自适应动态规划. 首先, 设计基于模糊系统的预设时间扰动观测器, 实现对集总扰动的快速精确估计与前馈补偿; 其次, 引入动态抗饱和辅助变量, 在控制量饱和后调整收敛轨迹从而减轻饱和, 并在饱和结束后引导系统收敛, 保障系统闭环稳定性; 进一步, 构建包含跟踪误差与控制能耗的综合代价函数, 采用自适应动态规划在线逼近最优控制律, 通过输入到状态稳定性理论证明闭环系统所有信号一致最终有界. 仿真结果表明, 所提控制方法在强扰动与执行器饱和条件下, 能实现姿态跟踪误差的预设时间收敛; 相比传统的抗扰控制与纯数据驱动方法, 具备更快的动态响应、更高的跟踪精度与更优的饱和抑制能力. 自动化学报. 2026 52(8): 1721-1736.]]>
	</description>
    <content:encoded>
		<![CDATA[顾鑫, 韦常柱, 刘哲, 马鑫海, 黄浩 针对高超声速变形飞行器在变形过程中面临的模型不确定性、强外部扰动及执行器饱和问题, 提出一种复合控制方法. 该方法集成预设时间扰动观测器、抗饱和辅助系统与自适应动态规划. 首先, 设计基于模糊系统的预设时间扰动观测器, 实现对集总扰动的快速精确估计与前馈补偿; 其次, 引入动态抗饱和辅助变量, 在控制量饱和后调整收敛轨迹从而减轻饱和, 并在饱和结束后引导系统收敛, 保障系统闭环稳定性; 进一步, 构建包含跟踪误差与控制能耗的综合代价函数, 采用自适应动态规划在线逼近最优控制律, 通过输入到状态稳定性理论证明闭环系统所有信号一致最终有界. 仿真结果表明, 所提控制方法在强扰动与执行器饱和条件下, 能实现姿态跟踪误差的预设时间收敛; 相比传统的抗扰控制与纯数据驱动方法, 具备更快的动态响应、更高的跟踪精度与更优的饱和抑制能力. 自动化学报. 2026 52(8): 1721-1736.]]>
	</content:encoded>
    <dc:title><![CDATA[高超声速变形飞行器自适应抗扰与抗饱和最优控制]]></dc:title>
    <dc:creator><![CDATA[顾鑫, 韦常柱, 刘哲, 马鑫海, 黄浩]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1721-1736.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c260047</dc:identifier>
    <prism:doi>10.16383/j.aas.c260047</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c260047?pageType=en</prism:url>
		<prism:startingPage>1721</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250547?pageType=en">
    <title><![CDATA[无向&amp;lt;i&amp;lt;k&amp;lt;/i&amp;lt;　-连通高效网络]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250547?pageType=en</link>
	    <description>
		<![CDATA[王卓, 王成红 针对无向网络拓扑设计中存在的定义适用性差或设计目标单一等问题, 本文得到如下主要结果: 1)给出一种新的网络能量定义; 据此并结合Wiener指数, 给出一种新的网络效率定义. 2)给出简单无向连通图的对称性定义及其度量指标; 首次给出无向高效网络和无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M3&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络的定义, 证明了这两种网络的存在性, 并证明了无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M4&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络是连通度和效率均为最大值且边数达到最小值的网络. 3)给出设计无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M5&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络的若干指导原则, 并构造一组无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M6&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络. 上述创新性成果可为无向网络的拓扑结构优化设计提供理论依据和技术支撑. 自动化学报. 2026 52(8): 1737-1744.]]>
	</description>
    <content:encoded>
		<![CDATA[王卓, 王成红 针对无向网络拓扑设计中存在的定义适用性差或设计目标单一等问题, 本文得到如下主要结果: 1)给出一种新的网络能量定义; 据此并结合Wiener指数, 给出一种新的网络效率定义. 2)给出简单无向连通图的对称性定义及其度量指标; 首次给出无向高效网络和无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M3&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络的定义, 证明了这两种网络的存在性, 并证明了无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M4&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络是连通度和效率均为最大值且边数达到最小值的网络. 3)给出设计无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M5&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络的若干指导原则, 并构造一组无向&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M6&quot;&amp;lt;\begin{document}$ k{\text{-}}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;连通高效网络. 上述创新性成果可为无向网络的拓扑结构优化设计提供理论依据和技术支撑. 自动化学报. 2026 52(8): 1737-1744.]]>
	</content:encoded>
    <dc:title><![CDATA[无向&amp;lt;i&amp;lt;k&amp;lt;/i&amp;lt;　-连通高效网络]]></dc:title>
    <dc:creator><![CDATA[王卓, 王成红]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1737-1744.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250547</dc:identifier>
    <prism:doi>10.16383/j.aas.c250547</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250547?pageType=en</prism:url>
		<prism:startingPage>1737</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250726?pageType=en">
    <title><![CDATA[分布参数多智能体系统&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;Z-20260722084126&quot;&amp;lt;\begin{document}$H_{\infty} $\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;模糊边界一致性控制]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250726?pageType=en</link>
	    <description>
		<![CDATA[张旭, 罗彪, 孙婧怡, 冯运, 陈宁 针对存在外部扰动的非线性不确定时滞分布参数多智能体系统一致性问题, 提出一种&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M1&quot;&amp;lt;\begin{document}$H_{\infty}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;模糊边界一致性控制方案. 首先, 通过T-S模糊偏微分方程对复杂分布参数多智能体系统进行精确描述. 随后, 基于该T-S模糊偏微分方程模型, 设计基于边界测量的&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M2&quot;&amp;lt;\begin{document}$H_{\infty}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;模糊边界一致性控制策略. 该策略仅需在空间域边界部署少量执行器和传感器, 可有效降低控制成本. 进一步, 通过运用不等式技术与Lyapunov直接法, 得到基于线性矩阵不等式的一致性充分条件, 以保证一致误差系统指数稳定且满足&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M3&quot;&amp;lt;\begin{document}$H_{\infty}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;性能. 最后, 通过仿真实验验证了该方法的有效性. 自动化学报. 2026 52(8): 1745-1756.]]>
	</description>
    <content:encoded>
		<![CDATA[张旭, 罗彪, 孙婧怡, 冯运, 陈宁 针对存在外部扰动的非线性不确定时滞分布参数多智能体系统一致性问题, 提出一种&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M1&quot;&amp;lt;\begin{document}$H_{\infty}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;模糊边界一致性控制方案. 首先, 通过T-S模糊偏微分方程对复杂分布参数多智能体系统进行精确描述. 随后, 基于该T-S模糊偏微分方程模型, 设计基于边界测量的&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M2&quot;&amp;lt;\begin{document}$H_{\infty}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;模糊边界一致性控制策略. 该策略仅需在空间域边界部署少量执行器和传感器, 可有效降低控制成本. 进一步, 通过运用不等式技术与Lyapunov直接法, 得到基于线性矩阵不等式的一致性充分条件, 以保证一致误差系统指数稳定且满足&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;M3&quot;&amp;lt;\begin{document}$H_{\infty}$\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;性能. 最后, 通过仿真实验验证了该方法的有效性. 自动化学报. 2026 52(8): 1745-1756.]]>
	</content:encoded>
    <dc:title><![CDATA[分布参数多智能体系统&amp;lt;inline-formula&amp;lt;&amp;lt;tex-math id=&quot;Z-20260722084126&quot;&amp;lt;\begin{document}$H_{\infty} $\end{document}&amp;lt;/tex-math&amp;lt;&amp;lt;/inline-formula&amp;lt;模糊边界一致性控制]]></dc:title>
    <dc:creator><![CDATA[张旭, 罗彪, 孙婧怡, 冯运, 陈宁]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1745-1756.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250726</dc:identifier>
    <prism:doi>10.16383/j.aas.c250726</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250726?pageType=en</prism:url>
		<prism:startingPage>1745</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250724?pageType=en">
    <title><![CDATA[面向非线性系统的知识驱动高效安全评判学习控制]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250724?pageType=en</link>
	    <description>
		<![CDATA[王鼎, 李鑫, 赵明明, 乔俊飞 针对具有状态约束的离散时间非线性系统, 开发一种知识驱动高效安全评判学习控制算法. 首先, 基于知识迁移技术, 利用历史任务中的先验知识来改善评判学习控制算法在当前目标任务中的学习效率. 同时, 构造一类单调递减的衰减函数以避免先验知识影响控制策略的最优性. 其次, 通过设计合适的障碍函数, 成功将具有状态约束的最优调节问题转化为无约束最优调节问题, 进而建立一种安全评判学习控制框架. 利用所提控制算法, 可高效求解一类具有状态约束的非线性系统最优控制问题. 此外, 为提供严谨的理论依据, 给出所提控制算法的收敛性证明以及控制策略的稳定性判别准则. 最后, 利用两个数值仿真实例验证了所提算法的有效性. 自动化学报. 2026 52(8): 1757-1768.]]>
	</description>
    <content:encoded>
		<![CDATA[王鼎, 李鑫, 赵明明, 乔俊飞 针对具有状态约束的离散时间非线性系统, 开发一种知识驱动高效安全评判学习控制算法. 首先, 基于知识迁移技术, 利用历史任务中的先验知识来改善评判学习控制算法在当前目标任务中的学习效率. 同时, 构造一类单调递减的衰减函数以避免先验知识影响控制策略的最优性. 其次, 通过设计合适的障碍函数, 成功将具有状态约束的最优调节问题转化为无约束最优调节问题, 进而建立一种安全评判学习控制框架. 利用所提控制算法, 可高效求解一类具有状态约束的非线性系统最优控制问题. 此外, 为提供严谨的理论依据, 给出所提控制算法的收敛性证明以及控制策略的稳定性判别准则. 最后, 利用两个数值仿真实例验证了所提算法的有效性. 自动化学报. 2026 52(8): 1757-1768.]]>
	</content:encoded>
    <dc:title><![CDATA[面向非线性系统的知识驱动高效安全评判学习控制]]></dc:title>
    <dc:creator><![CDATA[王鼎, 李鑫, 赵明明, 乔俊飞]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1757-1768.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250724</dc:identifier>
    <prism:doi>10.16383/j.aas.c250724</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250724?pageType=en</prism:url>
		<prism:startingPage>1757</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250250?pageType=en">
    <title><![CDATA[基于门控渐进高斯滤波网络的人体运动估计]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250250?pageType=en</link>
	    <description>
		<![CDATA[杨旭升, 杨基业, 张文安 针对表面肌电信号和人体运动等模型误差引起的运动估计性能下降问题, 提出一种基于门控渐进高斯滤波网络(GPGF-net) 的人体运动估计方法, 以实现对模型误差的补偿以及提升运动估计的精度. 首先, 设计门控记忆机制来调控信息流, 以学习出系统状态的长期依赖与观测信号的时变特性, 从而动态调整误差补偿项的分布参数. 其次, 通过融合贝叶斯滤波与深度学习的优势, 引入渐进式观测更新策略到GPGF-net, 以减小非线性近似误差以及增强模型鲁棒性. 最后, 通过人体肢体运动估计实验表明, 相较于现有方法, GPGF-net显著提高了估计精度, 均方根误差降低15.62 %, 相关系数R&amp;lt;sup&amp;lt;2&amp;lt;/sup&amp;lt;提升5.08 %, 验证了所提方法的有效性. 自动化学报. 2026 52(8): 1769-1780.]]>
	</description>
    <content:encoded>
		<![CDATA[杨旭升, 杨基业, 张文安 针对表面肌电信号和人体运动等模型误差引起的运动估计性能下降问题, 提出一种基于门控渐进高斯滤波网络(GPGF-net) 的人体运动估计方法, 以实现对模型误差的补偿以及提升运动估计的精度. 首先, 设计门控记忆机制来调控信息流, 以学习出系统状态的长期依赖与观测信号的时变特性, 从而动态调整误差补偿项的分布参数. 其次, 通过融合贝叶斯滤波与深度学习的优势, 引入渐进式观测更新策略到GPGF-net, 以减小非线性近似误差以及增强模型鲁棒性. 最后, 通过人体肢体运动估计实验表明, 相较于现有方法, GPGF-net显著提高了估计精度, 均方根误差降低15.62 %, 相关系数R&amp;lt;sup&amp;lt;2&amp;lt;/sup&amp;lt;提升5.08 %, 验证了所提方法的有效性. 自动化学报. 2026 52(8): 1769-1780.]]>
	</content:encoded>
    <dc:title><![CDATA[基于门控渐进高斯滤波网络的人体运动估计]]></dc:title>
    <dc:creator><![CDATA[杨旭升, 杨基业, 张文安]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1769-1780.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250250</dc:identifier>
    <prism:doi>10.16383/j.aas.c250250</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250250?pageType=en</prism:url>
		<prism:startingPage>1769</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250658?pageType=en">
    <title><![CDATA[电子固废处理析取过程溶解氧浓度预测模型]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250658?pageType=en</link>
	    <description>
		<![CDATA[韩红桂, 任晨昊, 李方昱, 刘峥 电子固废处理析取过程涉及多变量强耦合的多相反应, 其原料异质性使工艺变量间呈现动态因果特性, 导致表征反应平衡的溶解氧浓度难以准确预测. 为解决该问题, 设计一种电子固废处理析取过程溶解氧浓度自适应因果推理预测模型. 首先, 提出一种基于多头注意力的自适应因果发现方法, 更新工艺变量的因果注意力分布, 实现动态因果结构的建模. 其次, 设计一种基于动态掩码的因果干预策略, 抑制工艺参数的虚假因果相关, 实现模型真实因果关系重构. 最后, 构建一种基于元更新的门控网络结构, 调节时空特征与因果特征的门控融合权重, 实现析取过程溶解氧浓度的稳定预测. 在电子固废处理析取过程数据集上验证该预测模型, 实验结果表明, 该模型能够准确描述工艺变量间动态因果关系, 提升溶解氧浓度的预测精度. 自动化学报. 2026 52(8): 1781-1790.]]>
	</description>
    <content:encoded>
		<![CDATA[韩红桂, 任晨昊, 李方昱, 刘峥 电子固废处理析取过程涉及多变量强耦合的多相反应, 其原料异质性使工艺变量间呈现动态因果特性, 导致表征反应平衡的溶解氧浓度难以准确预测. 为解决该问题, 设计一种电子固废处理析取过程溶解氧浓度自适应因果推理预测模型. 首先, 提出一种基于多头注意力的自适应因果发现方法, 更新工艺变量的因果注意力分布, 实现动态因果结构的建模. 其次, 设计一种基于动态掩码的因果干预策略, 抑制工艺参数的虚假因果相关, 实现模型真实因果关系重构. 最后, 构建一种基于元更新的门控网络结构, 调节时空特征与因果特征的门控融合权重, 实现析取过程溶解氧浓度的稳定预测. 在电子固废处理析取过程数据集上验证该预测模型, 实验结果表明, 该模型能够准确描述工艺变量间动态因果关系, 提升溶解氧浓度的预测精度. 自动化学报. 2026 52(8): 1781-1790.]]>
	</content:encoded>
    <dc:title><![CDATA[电子固废处理析取过程溶解氧浓度预测模型]]></dc:title>
    <dc:creator><![CDATA[韩红桂, 任晨昊, 李方昱, 刘峥]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1781-1790.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250658</dc:identifier>
    <prism:doi>10.16383/j.aas.c250658</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250658?pageType=en</prism:url>
		<prism:startingPage>1781</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c250450?pageType=en">
    <title><![CDATA[基于多分支回归生成对抗网络的稀土萃取分离流程模拟方法]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250450?pageType=en</link>
	    <description>
		<![CDATA[朱建勇, 王佳浩, 韩泽润, 廖良芳, 杨辉 针对基于萃取机理的稀土萃取工艺流程模拟难以吻合实际萃取生产工况的问题, 提出一种基于多分支回归生成对抗网络的稀土萃取分离流程模拟方法, 实现稀土萃取分离各级萃取槽稀土元素组分含量的精准计算. 首先, 针对稀土萃取生产现场有效样本数量较少的问题, 采用生成对抗网络(GAN)构造生成对抗模型, 依据稀土萃取工艺串级分离特点, 使用多分支深层网络构造GAN的生成器, 逐级学习萃取级间数据的深层特征; 提出判别器与回归器的浅层特征共享机制, 回归器复用判别器首层卷积特征以提升预测性能, 并通过回归一致性约束以生成更真实的样本; 根据多分支网络结构特点, 设计一种递归渐进式对抗训练策略, 固定前一分支子GAN模型学习到的网络参数并作为下一分支子GAN的共同特征, 各分支子GAN内部生成器、判别器、回归器三者循环对抗训练, 在保证模型稳定收敛的同时, 精准捕捉级间耦合特征. 仿真结果表明了本文所提方法的有效性. 自动化学报. 2026 52(8): 1791-1806.]]>
	</description>
    <content:encoded>
		<![CDATA[朱建勇, 王佳浩, 韩泽润, 廖良芳, 杨辉 针对基于萃取机理的稀土萃取工艺流程模拟难以吻合实际萃取生产工况的问题, 提出一种基于多分支回归生成对抗网络的稀土萃取分离流程模拟方法, 实现稀土萃取分离各级萃取槽稀土元素组分含量的精准计算. 首先, 针对稀土萃取生产现场有效样本数量较少的问题, 采用生成对抗网络(GAN)构造生成对抗模型, 依据稀土萃取工艺串级分离特点, 使用多分支深层网络构造GAN的生成器, 逐级学习萃取级间数据的深层特征; 提出判别器与回归器的浅层特征共享机制, 回归器复用判别器首层卷积特征以提升预测性能, 并通过回归一致性约束以生成更真实的样本; 根据多分支网络结构特点, 设计一种递归渐进式对抗训练策略, 固定前一分支子GAN模型学习到的网络参数并作为下一分支子GAN的共同特征, 各分支子GAN内部生成器、判别器、回归器三者循环对抗训练, 在保证模型稳定收敛的同时, 精准捕捉级间耦合特征. 仿真结果表明了本文所提方法的有效性. 自动化学报. 2026 52(8): 1791-1806.]]>
	</content:encoded>
    <dc:title><![CDATA[基于多分支回归生成对抗网络的稀土萃取分离流程模拟方法]]></dc:title>
    <dc:creator><![CDATA[朱建勇, 王佳浩, 韩泽润, 廖良芳, 杨辉]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1791-1806.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c250450</dc:identifier>
    <prism:doi>10.16383/j.aas.c250450</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c250450?pageType=en</prism:url>
		<prism:startingPage>1791</prism:startingPage>
  </item>
    <item rdf:about="https://www.aas.net.cn/article/doi/10.16383/j.aas.c260212?pageType=en">
    <title><![CDATA[受约束的二阶惯性边流资源竞争模型: 守恒性、KKT平衡与有界优势集聚]]></title>
    <link>https://www.aas.net.cn/article/doi/10.16383/j.aas.c260212?pageType=en</link>
	    <description>
		<![CDATA[黄毅, 朱扬威, 陈祖国, 张志鑫, 黄廷文 针对一阶赢者通吃竞争模型难以兼顾惯性效应、状态约束与优化解释, 研究资源总量守恒与箱体约束下的分布式非凸资源分配问题. 为此, 对Hill型效用引入对数障碍正则化, 以图边流动量为中间状态构建二阶惯性边流资源竞争模型. 模型保持资源总量守恒, 并基于局部边际效用实现分布式交互. 随后, 通过能量函数和LaSalle不变性原理, 证明可行内点集正不变、系统能量单调耗散, 且系统轨迹收敛至平衡点集合. 进一步建立动力学平衡点与正则化问题KKT条件的对应关系, 并证明当障碍参数趋于零且对偶变量有界时, 平衡点极限恢复原问题的KKT结构. 此外, 在Hill边际效用饱和区, 给出能力参数与稳态资源分配之间的条件排序性质. 数值结果表明, 模型在保持约束的同时形成有界优势资源集聚. 自动化学报. 2026 52(8): 1807-1820.]]>
	</description>
    <content:encoded>
		<![CDATA[黄毅, 朱扬威, 陈祖国, 张志鑫, 黄廷文 针对一阶赢者通吃竞争模型难以兼顾惯性效应、状态约束与优化解释, 研究资源总量守恒与箱体约束下的分布式非凸资源分配问题. 为此, 对Hill型效用引入对数障碍正则化, 以图边流动量为中间状态构建二阶惯性边流资源竞争模型. 模型保持资源总量守恒, 并基于局部边际效用实现分布式交互. 随后, 通过能量函数和LaSalle不变性原理, 证明可行内点集正不变、系统能量单调耗散, 且系统轨迹收敛至平衡点集合. 进一步建立动力学平衡点与正则化问题KKT条件的对应关系, 并证明当障碍参数趋于零且对偶变量有界时, 平衡点极限恢复原问题的KKT结构. 此外, 在Hill边际效用饱和区, 给出能力参数与稳态资源分配之间的条件排序性质. 数值结果表明, 模型在保持约束的同时形成有界优势资源集聚. 自动化学报. 2026 52(8): 1807-1820.]]>
	</content:encoded>
    <dc:title><![CDATA[受约束的二阶惯性边流资源竞争模型: 守恒性、KKT平衡与有界优势集聚]]></dc:title>
    <dc:creator><![CDATA[黄毅, 朱扬威, 陈祖国, 张志鑫, 黄廷文]]></dc:creator>
    <dc:date>2026-07-23</dc:date>
    <dc:rights>Personal use only, all commercial or other reuse prohibited</dc:rights>
    <dc:source>自动化学报. 2026 52(8): 1807-1820.</dc:source>
    <dc:type>article</dc:type>
    <dc:identifier>doi:10.16383/j.aas.c260212</dc:identifier>
    <prism:doi>10.16383/j.aas.c260212</prism:doi>
    <prism:publicationName>自动化学报</prism:publicationName>
    <prism:volume>52</prism:volume>
    <prism:number>8</prism:number>
    <prism:publicationDate>2026-07-23</prism:publicationDate>
	<prism:url>https://www.aas.net.cn/article/doi/10.16383/j.aas.c260212?pageType=en</prism:url>
		<prism:startingPage>1807</prism:startingPage>
  </item>
  </rdf:RDF>
