本文探讨了生成对抗网络（cGANs）在热像生成中的应用，比较了pix2pix和CycleGAN的性能，结果显示pix2pix表现更佳。研究强调个性化训练的重要性，并提出了一种多模态框架用于自动疼痛评估，取得了46.76%的准确率。此外，改进的图像配准方法显著提高了热成像图像质量，展示了生成模型在医疗领域的潜力。

本文研究了通过二次线性层构建可解释的神经网络，提出了基于因式分解的双线性层，以提高CNN的特征交互能力并降低过拟合风险。同时介绍了门控线性网络（GLNs），强调其在线学习和抗遗忘能力。研究表明，这些新结构在多个数据集上表现优越，具有较低的计算成本和模型复杂度。

本文介绍了一种新颖的深度学习网络结构MPPN，专用于长期时间序列预测。该结构通过多分辨率语义单元和通道自适应模块捕捉时间序列模式，并采用基于熵的评估方法以提高预测精度。实验结果表明，MPPN在九个基准测试中显著优于现有方法。

本文评估了多种机器学习风力发电预测模型，发现卷积神经网络在48小时风力预测中表现最佳，平均误差降至22%。研究引入了连续学习策略以提升预测性能，并提出了基于贝叶斯神经网络的虚拟负载监测方法，解决了负载监测不全的问题。此外，结合SCADA数据的时间序列方法提高了发电量预测的准确性，强调了自动化定制的重要性。

本文提出了一种基于印刷电子技术的自动设计框架，通过引入近似计算和定制设计的原则，克服了印刷电子技术中复杂电路实现的限制，实现了超低功耗的多层感知器分类器，使得即使在最复杂的结构下，也能实现电池供电操作且显著超越目前的技术水平。

时间序列预测在工业中至关重要。研究表明，简单的多层感知机网络有时能胜过基于变换器的网络。本文提出了结合变换器低通特性和多层感知机优点的U型变换器，通过跳跃连接和补丁合并分割操作提取特征，实验显示其性能高效且成本较低。

研究表明，在ReLU网络中，当数据点和参数无限增加时，经验风险最小化器趋向于最小范数插值者，这一现象依赖于网络宽度和数据点增长速率的特定消失条件。同时，研究了优化算法对最小范数插值者的偏好。

感知机是一种基于神经网络的二分类模型，结构简单易于实现和训练，所有知识都被编码在权重和阈值中，只能解决简单的线性可分问题。