为提升Ti-6Al-4V合金的低温铣削加工性能并准确预测其铣削力，在考虑温度因素的前提下，结合实际测量的铣削力数据和立铣刀几何参数，推导出考虑温度变化的剪切力系数和犁切力系数，建立了一种低温（-5℃、-10℃和-15℃）影响下的动态铣削力模型。试验数据与模型预测值的对比结果表明：所构建的模型能较好地拟合Ti-6Al-4V合金低温铣削过程中切削力的峰值及其变化规律；温度越低，材料在剪切和犁切时的阻力系数越小；降低冰冻温度有助于提高材料的加工性能。
新时代产教融合深化与数字技术赋能背景下，高职商务英语写作教学面临教学与职场实践脱节的核心矛盾，已成为制约专业人才培养质量的关键问题。为解决该问题，采用文献分析、行业企业访谈与教学调研相结合的方法，从教学理念、教学方法、教材开发、评价体系4个维度系统剖析高职商务英语写作教学的现实困境。结合二语习得、体裁理论等学科理论与产教融合政策要求，提出适配跨境商务新业态需求的教学创新路径。研究发现，当前教学存在理念滞后、技术应用浅层化、教材岗位针对性缺失、评价体系单一等问题，而职场导向的教学理念重构、数字赋能的教学模式创新、岗课赛证融通的教材开发与人机协同的多元评价体系构建，是破解困境的关键举措。研究旨在为高职商务英语写作课程教学改革与实践提供参考，助力提升人才培养与行业岗位需求的适配度。
结直肠微小息肉易与肠道褶皱混淆，且与周围黏膜常呈低对比度，导致传统分割方法面临假阳性干扰。基于编解码架构的深度学习网络也因多阶段下采样易丢失微小病灶特征，造成漏检与误分割。为此，搭建了一种多尺度特征融合模型HyperFusion-Deeplab。该模型通过引入自适应特征融合（AFF）模块以增强微小息肉的特征表示，构建双向注意力（BiFA）模块以提高息肉-黏膜边界的分割精度，并采用多尺度上下文聚合机制以协同局部细节与全局上下文信息，从而有效抑制由器械反光及残留粪便等造成的假阳性干扰。在Kvasir-SEG与CVC-ClinicDB数据集上的实验结果表明：该模型相比于基准模型Deeplabv3+，平均戴森系数（mDice）分别提高0.010和0.009，平均交并比（mIoU）分别提高0.010和0.007。研究验证了HyperFusion-Deeplab模型的有效性。
针对传统睡眠分期方法依赖专家经验、效率低且主观性强的问题，为实现自动、精准的睡眠分期，提出一种基于残差网络-注意力机制-时间残差收缩模块的自动睡眠分期模型（RATSleepNet模型）。通过残差网络提取短期局部特征，利用基于归一化的注意力机制（NAM）聚焦关键特征及其交互关系，结合时间残差收缩模块建模长序列依赖，对单通道脑电（EEG）信号进行自动分期研究。在公开数据集Sleep-EDF-20上与现有主流模型进行对比实验，结果表明：RATSleepNet模型准确率达86.00%，较现有主流模型显著提高，尤其在N1等难分类阶段表现优异。RATSleepNet模型能有效实现高精度自动睡眠分期，为睡眠障碍诊断提供可靠的技术支持。
脉冲神经网络（SNN）在处理时空信息方面具有独特优势，但在时间维度引入视觉注意力的研究尚显不足，制约了其对显著区域的建模能力。预测性注意力重映射是视觉注意力的核心机制之一，基于此提出时空多尺度重映射注意力（STMSA）模块。该模块作用于时间维度，基于时间序列动态构建时空查询向量，对不同区域计算注意力得分，并通过调控脉冲神经元的膜电位分布增强其对显著区域的建模能力。在DVS-Gesture与MNIST-DVS事件流数据集上的系统评估表明，引入STMSA的脉冲神经网络（STMSA-SNN）相比基线模型（BL-SNN）最佳Top-1准确率分别提高2.40和0.20个百分点，优于多种时空融合注意力模型。研究证实，适当引入大脑认知机制是提升SNN模型性能的有效途径。
磁瓦在磁电机生产中起着至关重要的作用。针对磁瓦表面缺陷与背景对比度低、缺陷大小不一、缺陷形状不规则以及现有算法分割精度低等问题，提出一种改进的DeepLabV3+磁瓦表面缺陷分割算法。该算法在主干网络上，采用轻量化的MobileNetV2，以保证模型的检测速度；在编码器部分，改进了空洞空间金字塔池化（ASPP）模块，设计了一种自适应卷积模块替换原始空洞卷积操作，以此进一步扩大网络的感受野，融合多个空间尺度的上下文信息；在解码器部分，引入一种交叉注意力模块，通过条状内核从不同维度捕获长距离依赖关系，提高了网络对缺陷区域特征的关注；在模型训练过程中，采用Focal损失函数替换交叉熵损失函数，以改善磁瓦缺陷数据中正负样本不平衡的问题，提升了模型的鲁棒性和泛化性能。在公开的磁瓦表面缺陷数据集上进行训练，实验结果表明，改进的DeepLabV3+算法实现了89.26%的平均交并比、94.76%的平均像素准确率和88.12%的精确率。
针对对比式语言-图像预训练（CLIP）模型在少样本和复杂零样本场景中存在的泛化能力有限及对抗鲁棒性不足等问题，提出一种融合改进的残差多层感知机（ResMLP）架构与对比学习方法的CLIP-ResMLP模型。该模型采用文本增强技术解耦数据中的内容与风格特征，以优化网络结构设计；引入零初始化线性层和类别-增强文本对比学习机制，并采用InfoNCE损失函数优化特征相似度计算，以提升模型的泛化能力与语义对齐能力。在PACS、VLCS、OfficeHome和DomainNet这4个跨领域数据集上进行训练，实验结果表明：CLIP-ResMLP在零样本、少样本及对抗攻击场景下展现出明显优势；在零样本分类任务中，CLIP-ResMLP模型在PACS素描领域准确率提高至91.9%(CLIP为87.7%)，展现出优异的跨风格与跨域泛化能力；在8-样本任务中，改进模型在OfficeHome产品图像领域达到了93.9%的准确率，验证了其在样本稀缺情况下的稳定表现；在零样本学习场景FGSM攻击下，CLIP-ResMLP在PACS漫画领域的准确率为95.4%，表明其在对抗轻微扰动时具有较强鲁棒性。改进的模型为复杂跨模态任务提供了更优方案。
针对传统运动疲劳评估方法依赖单一模态数据导致的环境适应性差、特征冗余等问题，提出融合视觉分析与表面肌电（sEMG）信号的多模态评估框架。在视觉处理模块，利用动态学习率混合高斯背景建模优化运动目标分割精度，结合Shi-Tomasi角点检测算法实现特征点追踪，降低误差率；在s EMG信号处理方面，特征优选策略结合PCA降维，构建CNN-SVM混合分类模型。实验结果表明，基于D-S证据理论融合机制的多模态评估框架使疲劳状态分类准确率达到98.2%。该研究为运动医学与智能监护系统提供了鲁棒性更强的评估范式。
针对无人机航拍图像中小目标检测存在的背景复杂、尺度多变及遮挡问题，提出一种改进的轻量化YOLOv10n-DWS模型。该模型颈部网络采用动态上采样算子（DySample）替换标准上采样算子（UpSample），以提升特征细节与语义信息提取能力；主干网络引入小波卷积层（WTConv）改进C2f模块，借助多尺度深度分析提高检测精度，避免过参数化问题；引入Focal-DIoU损失函数，动态调整简单/困难样本回归权重，缓解数据分布不均问题；头部嵌入分离增强注意力模块（SEAM），融合空间特征优化与深度可分离卷积，以强化遮挡目标特征响应，并降低计算冗余度。VisDrone2019数据集上的实验结果表明：对比YOLOv10n模型，YOLOv10n-DWS模型平均精度均值（mAP50）提高了2.53个百分点，参数量和浮点运算数分别减少了0.15 M和0.6 GFLOPs;YOLOv10n-DWS模型在遮挡场景下性能显著改善。YOLOv10n-DWS模型兼顾检测精度、轻量化与部署效率，适用于无人机嵌入式平台的小目标实时检测需求。
<正>《天津职业技术师范大学学报》（原《天津工程师范学院学报》）是天津职业技术师范大学主办的面向国内外公开发行的综合性学术期刊，季刊。本刊主要刊登机械工程、自动化工程、电子工程、计算机科学与技术、汽车与交通工程等理论与应用研究论文。欢迎校内外师生和科研人员踊跃投稿。来稿要求及注意事项1来稿要求论点明确，论据严谨，数据可靠，文字精炼。全文字数（包括图、表、公式、参考文献等）在8 000字左右为宜。