# 多层感知机

该研究将相位-幅值约简与非线性机器学习稀疏传感器重构结合，仅用三个翼面传感器估计相位与幅值敏感度场，并据此解析导出最优激励波形，用于快速同步后失速翼型尾迹脱落频率；所得最优强迫使尾迹频率改变速度比标准正弦激励快八倍，且带幅值惩罚的波形相比无幅值惩罚的最优波形抑制了升力系数波动。

该研究将相位-幅值约简与非线性机器学习稀疏传感器重构结合，仅用三个翼面传感器估计相位与幅值敏感度场，并据此解析导出最优激励波形，用于快速同步后失速翼型尾迹脱落频率；所得最优强迫使尾迹频率改变速度比标准正弦激励快八倍，且带幅值惩罚的波形相比无幅值惩罚的最优波形抑制了升力系数波动。

该研究从 Google Play Store 抓取 PLN Mobile 中 EV Charging/SPKLU 功能的用户评论，以评分作为弱标签进行情感标注，在训练集上按各算法特性施加类别权重以应对类别不平衡，并比较 Logistic Regression、SVM、Naive Bayes、MLP、RNN、BiLSTM 与 DistilBERT 七种分类算法，结果显示 MLP 在验证集上取得最高宏 F1（67.80%）并被选作最终测试模型，在 286 条测试数据上达到 89.16% 准确率与 59.42% 宏 F1，说明整体分类表现较高但各情感类别之间表现尚不均衡。

该研究从 Google Play Store 抓取 PLN Mobile 中 EV Charging/SPKLU 功能的用户评论，以评分作为弱标签进行情感标注，在训练集上按各算法特性施加类别权重以应对类别不平衡，并比较 Logistic Regression、SVM、Naive Bayes、MLP、RNN、BiLSTM 与 DistilBERT 七种分类算法，结果显示 MLP 在验证集上取得最高宏 F1（67.80%）并被选作最终测试模型，在 286 条测试数据上达到 89.16% 准确率与 59.42% 宏 F1，说明整体分类表现较高但各情感类别之间表现尚不均衡。

该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。

该研究提出“重力感知（gravity-awareness）”框架，用两个基于抛物线飞行文献训练的模型——Fourier特征增强的多层感知机CorticalG预测EEG频段功率随g值的变化、11个独立高斯过程PhysioG预测心率变异性、皮肤电导与运动等生理指标——并让Claude 3.5 Sonnet根据这些生理参数生成0 g、月球0.16 g、火星0.38 g与高重力下的第一人称主观体验叙事，结果显示微重力下alpha（DMN）与mu（SMN）功率被抑制、高重力下beta（PFC）与gamma升高，皮肤电导呈V形（1.8 g时右手电导上升超过200%），躯干活动呈倒U形（0 g下降超过50%）。