近日，我院陈国军博士在人工智能模式识别领域取得重要研究进展，研究成果TSTKD: Triple-spike train kernel-driven supervised learning algorithm在线发表在Pattern Recognition上。Pattern Recognition创刊于1968年，是模式识别领域国际权威老牌期刊，是计算机科学、人工智能、电子与电气工程领域1区TOP期刊，也是图形图像学T1期刊、CCF-B期刊、CAA-A期刊、声学T2期刊，2024年影响因子为7.5。该期刊致力于发表在任何领域对模式识别的理论、方法和应用做出原创性贡献的论文，这些领域包括但不限于计算机视觉、图像处理、文本和文档分析以及神经网络等，同时也在生物识别、生物信息学、多媒体数据分析和最近的数据科学等快速新兴领域得到了拓展。该研究成果得到了国家自然科学基金和国家社会科学基金的资助，并获得武汉大学和湖北师范大学新质生产力研究中心等科研平台支持。我院新质生产力研究中心陈国军博士为论文第一作者，湖北师范大学为论文第一单位。

本研究在人工精准智能领域提出了一种由三脉冲序列核驱动的新型监督学习算法，以解决已有学习算法存在的局部最优学习和学习准确率低等缺点。通过划分脉冲序列的时间间隔，构建了一个三脉冲驱动（TSD）的最小直接计算单元以近似全局最优学习，提出了一种三脉冲序列核驱动的新型监督学习算法（TSTKD）来提高学习性能，并构建了一个包含水面、草坪等图像的小型数据集用于现实模式识别应用。大量基础性实验证明了所提算法的脉冲序列学习能力，验证了TSD对所提算法的有效性；对比试验结果显示所提算法在学习准确性、学习效率等指标上具有明显优势，尤其针对复杂的脉冲序列学习。此外，所提算法具有更强的脉冲神经元适应能力、泛化能力、记忆能力、分类能力和更低的时间复杂度。综上所述，该研究对模式识别的理论、方法和应用均做出基础性、开拓性、普适性的原创贡献，为基于全局最优的脉冲序列监督学习进行模式识别开辟了一条道路。

匿名审稿人一致认为：这项不同于已有工作的研究新颖且富有价值，解决了脉冲神经网络监督学习易受局部最优影响和较低学习精度这些重要挑战。体现了国际学术界对陈国军博士研究质量的肯定。

论文链接：https://doi.org/10.1016/j.patcog.2025.111525

陈国军，我院专任讲师，湖北师范大学新质生产力研究中心研究员，硕士生导师。近年来围绕数字经济、人工智能和城乡发展与规划领域开展学科交叉研究，从基础理论创新开始，“深筑基、多支撑、高强度”，实现了从理论到方法再到应用的原始创新体系；先后在Pattern Recognition、《电子学报》《农业经济问题》等国内外核心期刊上以第一作者或通讯作者发表论文近十篇，授权软件著作权2项；参与多项国家级科学基金，主持多项省市级课题，曾获武汉大学研究生学术创新奖、武汉市规划协会课题优胜奖等多个奖项，常年担任TNNLS, Neural Networks, Inform. Sciences, J. Geogr. Sci.（《地理学报（英文版）》）, Biomed. Signal Proces., Environ. Dev. Sustain., IEEE Access等国际知名SCI期刊的审稿人。