本研究解决了传统方法在地震数据中分离地面波和反射波的复杂性问题。通过采用卷积神经网络（CNN）自动提取地面波和反射波特征的方法，显著提高了分离的有效性。实验结果表明，该方法具有良好的泛化能力，对合成和真实数据均有效。

本研究使用历史能源数据、占用模式和天气条件，提出了一种基于LSTM模型的建筑能源消耗预测方法。该模型在短期、中期和长期能源预测上比现有模型更准确，具有高R2得分和低MAE。通过严格训练和评估，解决了过拟合和欠拟合问题。该研究为能源预测提供了一种高效、普适和可靠的LSTM模型。

通过延迟策略更新技术（DPU）对航空和陆地移动机器人进行的分析表明，这种技术极大地缓解了推广能力不足的问题，并加速了代理的学习过程，提高了它们在各种任务和未知场景中的效率。

该研究基于数据驱动的空间插值算法，利用物理信息图神经网络开发了美国本土深度温度图。该模型通过同时预测地下温度、地表热流和岩石导热率，近似满足三维热传导定律。在模型输入中，除了底孔温度测量值外，还包括其他物理量，如深度、地理坐标、海拔、沉积厚度、磁异常、重力异常、放射性元素的伽马射线通量、地震活动和电导率等。我们构建了 0-7 km 深度范围内以 1 km...

研究了不同材料对软体机器人进化运动的影响，发现在陆地和水中表现不同。观察到环境转换对形态再适应现象的影响，并指出了陆地-水和水-陆转换之间的潜在不对称性。

通过学习六维受力和力矩的监督式变分自编码器，研究发现软式机器人手指的抓握知识在陆地和水下具有可转移性。训练的模型可以适应商用传感器环境的变化，提高了水下夹持器的可靠性和稳健性，降低了成本，为学习智能抓握和海洋研究提供了基础。