#RNN

系统综述AI、机器学习与深度学习的概念、方法、应用及伦理挑战。

王毅、崔茜彤、王晨、熊宝伟、邵国敏、王琬莹、曹培、韩文霆(西安财经大学/西北农林科技大学/西安理工大学)针对传统玉米产量预测方法难以揭示变量间因果关系的问题,提出融合因果推断与机器学习的预测方法:基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息,采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系,构建可解释的玉米产量预测模型。

比较三种CycleGAN架构（EfficientNetB1、MobileNetV2、标准ResNet

针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。

综述视频目标检测与分类从手工特征到深度学习方法的演进、模型、数据集与挑战。

构建集成数字孪生框架，用LSTM与IQR-LSTM实现核系统在线监测与异常检测。

用LSTM结合可解释AI预测肯尼亚玉米产量，兼顾精度与透明度。

提出GRU+BiLSTM混合深度学习架构，在Caltech-256上实现高精度图像分类。