可解释性深度学习在热带气旋预报中的应用研究综述

doi:10.11772/j.issn.1001-9081.2025070874

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (7): 2318-2326.DOI: 10.11772/j.issn.1001-9081.2025070874

可解释性深度学习在热带气旋预报中的应用研究综述

凌妙根¹^,², 井瑞¹^,³, 方巍¹^,³^,⁴^,⁵()

^1.南京信息工程大学计算机学院，南京 210044
^2.江苏省计算机信息处理技术重点实验室（苏州大学），江苏苏州 215006
^3.江苏省大气环境与装备技术协同创新中心（南京信息工程大学），南京 210044
^4.中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室（中国气象局武汉暴雨研究所），武汉 430205
^5.灾害天气国家重点实验室（中国气象科学研究院），北京 100081

收稿日期:2025-08-04 修回日期:2025-09-11 接受日期:2025-09-11 发布日期:2025-11-05 出版日期:2026-07-10
通讯作者: 方巍
作者简介:凌妙根（1987—），男，浙江乐清人，副教授，博士，CCF会员，主要研究方向：计算机视觉、深度学习
井瑞（1999—），女，河北沧州人，硕士研究生，CCF会员，主要研究方向：深度学习
基金资助:
国家自然科学基金面上项目(42475149);国家自然科学基金资助项目(62202235);中国气象局流域强降水重点开放实验室开放研究基金资助项目(2023BHR-Y14);灾害天气国家重点实验室开放课题(2024LASW-B19)

Survey of research on applications of explainable deep learning in tropical cyclone forecasting

Miaogen LING¹^,², Rui JING¹^,³, Wei FANG¹^,³^,⁴^,⁵()

^1.School of Computer Science，Nanjing University of Information Science and Technology，Nanjing Jiangsu 210044，China
^2.Jiangsu Provincial Key Laboratory for Computer Information Processing Technology （Soochow University），Suzhou Jiangsu 215006，China
^3.Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology （Nanjing University of Information Science and Technology），Nanjing Jiangsu 210044，China
^4.Key Laboratory of Basin Heavy Precipitation of China Meteorological Administration / Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research （Wuhan Institute of Heavy Rain，China Meteorological Administration），Wuhan Hubei 430205，China
^5.State Key Laboratory of Disaster Weather （Chinese Academy of Meteorological Sciences），Beijing 100081，China

Received:2025-08-04 Revised:2025-09-11 Accepted:2025-09-11 Online:2025-11-05 Published:2026-07-10
Contact: Wei FANG
About author:LING Miaogen， born in 1987， Ph. D.， associate professor. His research interests include computer vision， deep learning.
JING Rui， born in 1999， M. S. candidate. Her research interests include deep learning.
Supported by:
General Program of National Natural Science Foundation of China(42475149);National Natural Science Foundation of China(62202235);Open Fund of Key Laboratory of Basin Heavy Precipitation of China Meteorological Administration(2023BHR-Y14);Open Project of State Key Laboratory of Severe Weather(2024LASW-B19)

摘要/Abstract

摘要：

深度学习为热带气旋预报研究提供了新途径，但其黑盒特性影响了它在关键领域的应用。因此，对可解释性深度学习在热带气旋预报中的应用研究进行综述。首先，系统梳理深度学习在热带气旋预报中的最新研究进展；其次，回顾传统预报方法的优势与局限；然后，聚焦卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络和Transformer等模型在不同预报任务中的应用，并探讨生成对抗网络（GAN）等方法的前沿探索。在此基础上，深入分析可解释性深度学习在热带气旋预报中的重要性，从特征重要性解释、时空模式解释以及不确定量化这3个维度探讨可解释性深度学习在热带气旋预报中的具体应用，并指出它在提升模型透明度和用户信任度方面的潜力。最后，针对当前可解释性研究中面临的挑战，提出未来融合物理机制、多粒度可视化及因果推理的研究展望。

关键词: 热带气旋, 深度学习, 可解释性, 热带气旋预报, 黑盒特性

Abstract:

Deep learning offers a new path for tropical cyclone forecasting， yet its black-box characteristic hinders its application in critical fields. Therefore， a review was conducted on the application research of explainable deep learning in tropical cyclone forecasting. First， the latest advances of deep learning research on tropical cyclone forecasting were classified systematically. Second， the advantages and disadvantages of traditional methods of forecasting were reviewed. Third， attention is focused on the applications of Convolutional Neural Network （CNN）， Recurrent Neural Network （RNN）， Long Short-Term Memory （LSTM） Network， and Transformer for forecasting tasks， and the frontier explorations of methods such as Generative Adversarial Network （GAN） were discussed. On this basis， the importance of explainable deep learning in tropical cyclone forecasting was analyzed in a deep way， the specific application of explainable deep learning to tropical cyclone forecasting was explored in three dimensions： feature importance interpretation， spatio-temporal mode interpretation， and uncertainty quantification， and its potential in enhancing model transparency and user confidence was pointed out. Finally， to address current challenges faced by explainable research， future research prospects of combining physical mechanisms， multi-granularity visualization， and causal inference were introduced.

Key words: tropical cyclone, deep learning, explainability, tropical cyclone forecasting, black-box characteristic

中图分类号:

TP301

凌妙根, 井瑞, 方巍. 可解释性深度学习在热带气旋预报中的应用研究综述[J]. 计算机应用, 2026, 46(7): 2318-2326.

Miaogen LING, Rui JING, Wei FANG. Survey of research on applications of explainable deep learning in tropical cyclone forecasting[J]. Journal of Computer Applications, 2026, 46(7): 2318-2326.

图/表 6

参考文献 63

[1]	Kang N Y， Elsner J B. Trade-off between intensity and frequency of global tropical cyclones ［J］. Nature Climate Change， 2015， 5（7）： 661-664.
[2]	张庆红，郭春蕊.热带气旋生成机制的研究进展［J］.海洋学报（中文版）， 2008， 30（4）： 1-11.
	Zhang Qinghong， Guo Chunrui. Overview of the studies on tropical cyclone genesis ［J］. Acta Oceanologica Sinica， 2008， 30（4）： 1-11.
[3]	郑小妹，方巍.深度学习在台风强度估计与预报中的应用研究综述［J］.气象科学，2025， 45（3）： 309-319.
	Zheng Xiaomei， Fang Wei. A review of the application of deep learning in typhoon intensity estimation and forecasting ［J］. Journal of the Meteorological Sciences，2025， 45（3）： 309-319.
[4]	Roy C， Kovordányi R. Tropical cyclone track forecasting techniques： a review ［J］. Atmospheric Research， 2012， 104/105： 40-69.
[5]	Chen R， Zhang W， Wang X. Machine learning in tropical cyclone forecast modeling： a review ［J］. Atmosphere， 2020， 11（7）： No.676.
[6]	赵智韬，张正，崔林丽，等.基于深度学习的热带气旋强度估算研究进展与展望［J］.遥感学报， 2025， 29（4）： 829-843.
	Zhao Zhitao， Zhang Zheng， Cui Linli， et al. Progress and prospect of tropical cyclone intensity estimation based on deep learning ［J］. National Remote Sensing Bulletin， 2025， 29（4）： 829-843.
[7]	余晖，陈联寿，谈哲敏，等.中国台风预报技术发展的历史、现状与未来［J］.气象学报， 2025， 83（3）： 786-797.
	Yu Hui， Chen Lianshou， Tan Zhemin， et al. Development of tropical cyclone forecasting technology in China： past， present， and future ［J］. Acta Meteorologica Sinica， 2025， 83（3）： 786-797.
[8]	Meng F. Creating interpretable data-driven approaches for tropical cyclones forecasting ［C］// AAAI 2022. Palo Alto： AAAI Press， 2022： 12892-12893.
[9]	Pratt A S， Evans J L. Potential impacts of the Saharan air layer on numerical model forecasts of North Atlantic tropical cyclogenesis ［J］. Weather and Forecasting， 2009， 24（2）： 420-435.
[10]	Halperin D J， Fuelberg H E， Hart R E， et al. An evaluation of tropical cyclone genesis forecasts from global numerical models ［J］. Weather and Forecasting， 2013， 28（6）： 1423-1445.
[11]	Halperin D J， Fuelberg H E， Hart R E， et al. Verification of tropical cyclone genesis forecasts from global numerical models： comparisons between the North Atlantic and eastern North Pacific basins ［J］. Weather and Forecasting， 2016， 31（3）： 947-955.
[12]	Cossuth J H， Knabb R D， Brown D P， et al. Tropical cyclone formation guidance using pregenesis Dvorak climatology. Part I： Operational forecasting and predictive potential ［J］. Weather and Forecasting， 2013， 28（1）： 100-118.
[13]	Lacewell C W， Homaifar A. Identifying developing cloud clusters using predictive features ［C］// CI 2014. Cham： Springer， 2015： 217-225.
[14]	Wood K M， Rodríguez-Herrera O G， Ritchie E A， et al. Tropical cyclogenesis detection in the North Pacific using the deviation angle variance technique ［J］. Weather and Forecasting， 2015， 30（6）： 1663-1672.
[15]	Dunion J， Kaplan J， Schumacher A， et al. Development of a probabilistic tropical cyclone genesis prediction scheme ［R/OL］. ［2025-05-11］. .
[16]	Park M S， Kim M， Lee M I， et al. Detection of tropical cyclone genesis via quantitative satellite ocean surface wind pattern and intensity analyses using decision trees ［J］. Remote Sensing of Environment， 2016， 183： 205-214.
[17]	Godske C L， Bjerknes V. Dynamic meteorology and weather forecasting ［J］. Quarterly Journal of the Royal Meteorological Society， 1957， 83（358）： 560-560.
[18]	Ma D， Wang L， Fang S， et al. Tropical cyclone intensity prediction by inter- and intra-pattern fusion based on multi-source data ［J］. Environmental Research Letters， 2023， 18（1）： No.014020.
[19]	Pattanayak S， Mohanty U C. A comparative study on performance of MM5 and WRF models in simulation of tropical cyclones over Indian seas ［J］. Current Science， 2008， 95（7）： 923-936.
[20]	麻素红，沈学顺，龚建东，等.国家气象中心台风数值预报系统的发展［J］.气象， 2021， 47（6）： 685-692.
	Ma Suhong， Shen Xueshun， Gong Jiandong， et al. Development of typhoon numerical prediction system in National Meteorological Centre ［J］. Meteorological Monthly， 2021， 47（6）： 685-692.
[21]	高丽，郑嘉雯，招佐森，等.中国气象局数值天气集合预报统一后处理系统的研发与应用［J］.地球科学进展， 2022， 37（12）： 1211-1222.
	Gao Li， Zheng Jiawen， Zhao Zuosen， et al. Research， development， and application of the unified post-processing system for the CMA-GEPS/REPS ensemble prediction ［J］. Advances in Earth Science， 2022， 37（12）： 1211-1222.
[22]	DeMaria M， Mainelli M， Shay L K， et al. Further improvements to the Statistical Hurricane Intensity Prediction Scheme （SHIPS）［J］. Weather and Forecasting， 2005， 20（4）： 531-543.
[23]	Cangialosi J P， Blake E， DeMaria M， et al. Recent progress in tropical cyclone intensity forecasting at the National Hurricane Center ［J］. Weather and Forecasting， 2020， 35（5）： 1913-1922.
[24]	Knaff J A， Sampson C R， Demaria M. An operational statistical typhoon intensity prediction scheme for the western North Pacific ［J］. Weather & Forecasting， 2005， 20（4）：688-699.
[25]	Geoghegan K M， Fitzpatrick P， Kolar R L， et al. Evaluation of a synthetic rainfall model， P-CLIPER， for use in coastal flood modeling ［J］. Natural Hazards， 2018， 92（2）： 699-726.
[26]	Pradhan R， Aygun R S， Maskey M， et al. Tropical cyclone intensity estimation using a deep convolutional neural network ［J］. IEEE Transactions on Image Processing， 2018， 27（2）： 692-702.
[27]	Wang X， Wang W， Yan B. Tropical cyclone intensity change prediction based on surrounding environmental conditions with deep learning ［J］. Water， 2020， 12（10）： No.2685.
[28]	Tan J， Yang Q， Hu J， et al. Tropical cyclone intensity estimation using Himawari-8 satellite cloud products and deep learning ［J］. Remote Sensing， 2022， 14（4）： No.812.
[29]	Wang L， Wan B， Zhou S， et al. Forecasting tropical cyclone tracks in the northwestern Pacific based on a deep-learning model ［J］. Geoscientific Model Development， 2023， 16（8）： 2167-2179.
[30]	Yuan S， Wang C， Mu B， et al. Typhoon intensity forecasting based on LSTM using the rolling forecast method ［J］. Algorithms， 2021， 14（3）： No.83.
[31]	Kumar J S， Venkataraman V， Meganathan S， et al. Tropical cyclone intensity and track prediction in the Bay of Bengal using LSTM-CSO method ［J］. IEEE Access， 2023， 11： 81613-81622.
[32]	Jiang S， Fan H， Wang C. Improvement of typhoon intensity forecasting by using a novel spatio-temporal deep learning model ［J］. Remote Sensing， 2022， 14（20）： No.5205.
[33]	Lu P， Xu M， Sun A， et al. Typhoon tracks prediction with ConvLSTM fused reanalysis data ［J］. Electronics， 2022， 11（20）： No.3279.
[34]	Tong B， Wang X， Fu J Y， et al. Short-term prediction of the intensity and track of tropical cyclone via ConvLSTM model ［J］. Journal of Wind Engineering and Industrial Aerodynamics， 2022， 226： No.105026.
[35]	Zhang Z， Yang X， Shi L， et al. A neural network framework for fine-grained tropical cyclone intensity prediction ［J］. Knowledge-Based Systems， 2022， 241： No.108195.
[36]	Li T， Lai M， Nie S， et al. Tropical cyclone trajectory based on satellite remote sensing prediction and time attention mechanism ConvLSTM model ［J］. Big Data Research， 2024， 36： No.100439.
[37]	Rüttgers M， Lee S， Jeon S， et al. Prediction of a typhoon track using a generative adversarial network and satellite images ［J］. Scientific Reports， 2019， 9： No.6057.
[38]	Wu Y， Geng X， Liu Z， et al. Tropical cyclone forecast using multitask deep learning framework ［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.6503505.
[39]	Jiang W， Zhang D， Hu G， et al. Transformer-based tropical cyclone track and intensity forecasting ［J］. Journal of Wind Engineering and Industrial Aerodynamics， 2023， 238： No.105440.
[40]	Tian Y， Zhou W， Cheung P K Y， et al. Vision Transformer for extracting tropical cyclone intensity from satellite images ［J］. Advances in Atmospheric Sciences， 2024， 42（1）： 79-93.
[41]	Wang C， Yang N， LI X. Advancing forecasting capabilities： a contrastive learning model for forecasting tropical cyclone rapid intensification ［J］. Proceedings of the National Academy of Sciences of the United States of America， 2025， 122（4）： No.e2415501122.
[42]	Xu H， Zhao Y， ZHAO D， et al. Exploring the typhoon intensity forecasting through integrating AI weather forecasting with regional numerical weather model ［J］. npj Climate and Atmospheric Science， 2025， 8： No.38.
[43]	Wang X， Liu L， Chen K， et al. VQLTI： long-term tropical cyclone intensity forecasting with physical constraints ［C］// AAAI 2025. Palo Alto： AAAI Press， 2025： 28476-28484.
[44]	Miller T. Explanation in artificial intelligence： insights from the social sciences ［J］. Artificial Intelligence， 2019， 267： 1-38.
[45]	Yang R， Hu J， Li Z， et al. Interpretable machine learning for weather and climate prediction： a review ［J］. Atmospheric Environment， 2024， 338： No.120797.
[46]	Du M， Liu N， Hu X. Techniques for interpretable machine learning ［J］. Communications of the ACM， 2020， 63（1）： 68-77.
[47]	陈珂锐，孟小峰.机器学习的可解释性［J］.计算机研究与发展， 2020， 57（9）： 1971-1986.
	Chen Kerui， Meng Xiaofeng. Interpretation and understanding in machine learning ［J］. Journal of Computer Research and Development， 2020， 57（9）： 1971-1986.
[48]	化盈盈，张岱墀，葛仕明.深度学习模型可解释性的研究进展［J］.信息安全学报， 2020， 5（3）： 1-12.
	Hua Yingying， Zhang Daichi， Ge Shiming. Research progress in the interpretability of deep learning models ［J］. Journal of Cyber Security， 2020， 5（3）： 1-12.
[49]	曾春艳，严康，王志锋，等.深度学习模型可解释性研究综述［J］.计算机工程与应用， 2021， 57（8）： 1-9.
	Zeng Chunyan， Yan Kang， Wang Zhifeng， et al. Survey of interpretability research on deep learning models ［J］. Computer Engineering and Applications， 2021， 57（8）： 1-9.
[50]	Ribeiro M T， Singh S， Guestrin C. “Why should I trust you？”： explaining the predictions of any classifier ［C］// KDD 2016. New York： ACM， 2016： 1135-1144.
[51]	Selvaraju R R， Cogswell M， Das A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization ［C］// ICCV 2017. Piscataway： IEEE， 2017： 618-626.
[52]	Lundberg S， Lee S I. A unified approach to interpreting model predictions ［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 4768-4777.
[53]	Zhou B， Khosla A， Lapedriza A， et al. Learning deep features for discriminative localization ［C］// CVPR 2016. Piscataway： IEEE， 2016： 2921-2929.
[54]	Griffin S M， Wimmers A， Velden C S. Predicting rapid intensification in North Atlantic and eastern North Pacific tropical cyclones using a convolutional neural network ［J］. Weather and Forecasting， 2022， 37（8）： 1333-1355.
[55]	Wang C， Li X. A deep learning model for estimating tropical cyclone wind radius from geostationary satellite infrared imagery ［J］. Monthly Weather Review， 2023， 151（2）： 403-417.
[56]	Mu B， Wang X， Yuan S， et al. A deep learning-based global tropical cyclogenesis prediction model and its interpretability analysis ［J］. SCIENCE CHINA Earth Sciences， 2024， 67（12）： 3671-3695.
[57]	Higa M， Tanahara S， Adachi Y， et al. Domain knowledge integration into deep learning for typhoon intensity classification ［J］. Scientific Reports， 2021， 11： No.12972.
[58]	Rajasekaran U， Sriram G K， Malini A， et al. Hybrid explainable SRNN-LSTM architecture for irradiance， temperature and wind speed forecasting ［EB/OL］. （2023-07-19）［2025-05-21］. .
[59]	Wang C， Xu Q， Cheng Y， et al. Ensemble forecast of tropical cyclone tracks based on deep neural networks ［J］. Frontiers of Earth Science， 2022， 16（3）： 671-677.
[60]	Kapoor A， Negi A， Marshall L， et al. Cyclone trajectory and intensity prediction with uncertainty quantification using variational recurrent neural networks ［J］. Environmental Modelling and Software， 2023， 162： No.105654.
[61]	Meng F， Song T. Uncertainty forecasting system for tropical cyclone tracks based on conformal prediction ［J］. Expert Systems with Applications， 2024， 249（Pt C）： No.123743.
[62]	Chen X， Luo J J， Li Q， et al. Meteorologically-informed adaptive conformal prediction for tropical cyclone intensity forecasting ［J］. Journal of Geophysical Research： Machine Learning and Computation， 2025， 2（4）： No.e2025JH000830.
[63]	Lee Y J， Hall D， Liu Q， et al. Interpretable tropical cyclone intensity estimation using Dvorak-inspired machine learning techniques ［J］. Engineering Applications of Artificial Intelligence， 2021， 101（5）： No.104233.

等级名称	简称	风速阈值/（m·s^-1）	风力等级
热带低压	TD	10.8~17.1	6~7级
热带风暴	TS	17.2~24.4	8~9级
强热带风暴	STS	24.5~32.6	10~11级
台风	TY	32.7~41.4	12~13级
强台风	STY	41.5~50.9	14~15级
超强台风	SuperTY	≥51.0	≥16级

等级名称	简称	风速阈值/（m·s^-1）	风力等级
热带低压	TD	10.8~17.1	6~7级
热带风暴	TS	17.2~24.4	8~9级
强热带风暴	STS	24.5~32.6	10~11级
台风	TY	32.7~41.4	12~13级
强台风	STY	41.5~50.9	14~15级
超强台风	SuperTY	≥51.0	≥16级

分类	预报场景
热带气旋生成预报	热带气旋短期生成预报
	热带气旋长期趋势预报
	热带气旋扰动生成预报
热带气旋路径预报	基于时间序列数据的热带气旋路径预报
	基于遥感卫星云图的热带气旋路径预报
	基于多模态数据融合的热带气旋路径预报
热带气旋强度预报	热带气旋强度预报
	热带气旋快速增强预报
	热带气旋快速减弱预报
TC引起的灾害性天气及其影响预报	热带气旋引起的降水量预报
	热带气旋引起的风速预报
	热带气旋引起的海洋灾害预报
	灾害影响评估

分类	预报场景
热带气旋生成预报	热带气旋短期生成预报
	热带气旋长期趋势预报
	热带气旋扰动生成预报
热带气旋路径预报	基于时间序列数据的热带气旋路径预报
	基于遥感卫星云图的热带气旋路径预报
	基于多模态数据融合的热带气旋路径预报
热带气旋强度预报	热带气旋强度预报
	热带气旋快速增强预报
	热带气旋快速减弱预报
TC引起的灾害性天气及其影响预报	热带气旋引起的降水量预报
	热带气旋引起的风速预报
	热带气旋引起的海洋灾害预报
	灾害影响评估

文献	研究焦点	差异化贡献
文献［4］	热带气旋路径预报	聚焦于传统方法在热带气旋路径预报的应用
文献［5］	机器学习在热带气旋预报中的应用	系统回顾了机器学习在热带气旋预测中的研究进展
文献［6］	热带气旋强度估计	最全面的方法分类与数据源总结
文献［7］	台风预报技术发展路线	系统性回顾中国台风预报技术从传统方法到现代数值预报和AI技术的完整发展历程

可解释性深度学习在热带气旋预报中的应用研究综述

Survey of research on applications of explainable deep learning in tropical cyclone forecasting

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 63

相关文章 15

编辑推荐

Metrics

分类	优势	不足
数值预报方法	预报范围较广，预报时效长	计算资源开销大，难以同化异构数据
统计学方法	计算成本低、计算资源需求小、适用范围广	非线性拟合欠佳，极端情况处理不力
统计动力学方法	有效订正动力模式偏差，实现多源数据融合	主观性强、效率低、精度依赖预报员水平

文献	分类维度	具体类别	典型方法
文献［47］	基于可解释对象	模型内部机制	激活最大化
		预测结果特征	LIME^［50］
		模仿者行为	知识蒸馏
文献［48］	基于可解释原理	模型内部可视化	Grad-CAM^［51］
		特征统计分析	SHAP^［52］
		本质可解释模型	决策树
文献［49］	基于方法类型	自解释模型	线性回归
		特定模型解释	CAM^［53］
		不可知模型解释	LIME^［50］
		因果解释	反事实推理

方法类型	代表技术	优点	缺点
贝叶斯神经网络	BNN （Bayesian Neural Network）、高斯过程	完整概率分布、理论严谨	计算复杂，需先验
集成学习	多模型集合	简单有效	无法区分不确定性的来源
蒙特卡洛方法	Bootstrap Sampling、Monte Carlo Dropout、MCMC采样	易于实现、可与现有模型直接结合、适用范围广	收敛速度慢、需要大量采样以保证精度
共形预测	CQR （Conformalized Quantile Regression）、Jackknife+	严格覆盖保证、模型无关	需校准集、区间可能较宽

[1]	武湘怡, 叶海良, 曹飞龙. 基于平滑-锐化图卷积的点云补全方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2267-2276.
[2]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[3]	刘晶, 赵邵泽, 刘鑫刚, 牛浩哲, 季海鹏. 跨工况下基于改进CGAN的钛合金显微组织数据生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2373-2382.
[4]	杜艺, 续明进, 孔佳仪, 王力瑶, 赵晨. 基于YOLOv11的低秩自适应参数高效微调算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1738-1745.
[5]	熊珍凯, 徐梦军, 孙胤胤, 王鑫. 基于改进YOLOv8的复杂天气环境下海面船舶检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1998-2006.
[6]	何丽丽, 曹勐, 张磊, 潘洪军, 刘义, 孙成心. 基于Kolmogorov-Arnold网络与扩散Transformer的手语生成模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1801-1810.
[7]	盛兴, 翁孙贤, 陈扩松, 王忠平, 任芮锋, 刘勇. 基于深度学习的电网企业专利价值评估[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1468-1474.
[8]	刘馨瑶, 梁军, 龙嘉濠, 颜仁梁. 基于特征融合和通道信息补偿的中草药细粒度图像分类[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1677-1683.
[9]	郭慧洁, 窦天凤, 张振琳, 亓开元, 吴栋, 曲志坚, 李钊, 任崇广. 基于时间依赖建模的动态贝叶斯网络交通预测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1507-1517.
[10]	陈浩轩, 叶培昌, 刘磊, 刘承明, 胡文华. 自动代码编辑推荐综述[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1227-1237.
[11]	姜勇维, 陈晓清, 付麟杰. 基于频谱分解的高频保持医学图像弹性配准模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 924-932.
[12]	余松森, 何皇, 薛国鹏, 崔恒拓. 基于改进FENet的瓷砖色差量化分级方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 959-968.
[13]	张健, 于剑波, 汤健. 基于多层预处理的城市固废焚烧状态识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 940-949.
[14]	陈敏, 秦小林, 李绍涵, 杨昊, 李韬弘. 深度学习应用于强对流天气预测的综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 980-992.
[15]	姜皓骞, 张东, 李冠宇, 陈恒. 基于结构增强的层次化任务导向提示策略的对话推荐系统SetaCRS[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 368-377.