本研究提出了一种新方法Adaptive Linearization（AdaLin），旨在解决深度神经网络在非平稳环境中学习能力下降的问题。AdaLin通过动态调整激活函数，显著提升了持续学习能力。

本研究提出了一种积极自适应AI方法，解决了医疗场景中非平稳环境下的数据集转变问题。该方法通过建模AI参数的时间轨迹，显著提升了性能，为动态环境下的自适应AI研究奠定了基础。

本研究提出了一种新方法——切换非平稳马尔可夫决策过程（SNS-MDP），旨在解决非平稳环境中强化学习算法无法收敛的问题。研究表明，在固定策略下，SNS-MDP的价值函数可以通过马尔可夫链的统计特性得到解析解，且时间差分学习方法在非平稳情况下仍能收敛，具有重要的理论和实际应用意义。

本研究提出TAFAS框架，解决了非平稳环境下预训练源预测器在时间序列预测中的可靠性问题。实验结果表明，该方法在长时间预测中表现优异，特别适用于分布变化显著的场景。

本文提出了一种深度强化学习资源分配技术，适用于协作无线电网络，能够在非平稳环境中有效收敛至平衡策略。仿真结果表明，该技术的学习性能优于传统Q学习，99%的情况下能找到最优策略，学习步骤减少了一半。

本文提出了一种深度傅里叶特征方法，以解决深度神经网络在非平稳环境中的学习能力下降问题。研究表明，该方法相比传统的ReLU激活函数，显著提升了持续学习的表现，适用于多种场景。