应用数学与交叉科学研究中心复杂网络团队于2026年4月9日进行每周小组组会，小组全体成员和各位导师共同参加。在这次组会上，由两名研一学生和一名研二学生汇报自己的研究进展，老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。

叶婷婷：本次汇报的文献是《Fixed-time and predefined-time group-bipartite consensus for uncertain networked Euler-Lagrange systems》在这篇文章中研究了不确定网络Euler-Lagrange系统(NELSS)的固定时间和预定时间群二部共识(FTGBC，PTGBC)问题。首先在固定时间框架和预定时间框架内引入描述局部通信拓扑的辅助滑模变量，并利用神经网络技术在线估计NELSS的不确定性，以确保分别达到期望的FTGBC和PTGBC目标。此外，通过对闭环系统的收敛分析，得到了固定时间和预定时间的允许上界表达式，从而保证了所提出的FTGBC和PTGBC控制方案的适应性、稳定性和鲁棒性，并通过数值仿真实例进一步验证了这两种控制方案的有效性。本文的研究背景与意义有：网络化欧拉 - 拉格朗日系统（NELSs）可表征机械臂、无人艇、航天器等强非线性多智能体系统，分组二分一致性能描述多子群内协作 + 对抗并存的协同任务。固定时间控制收敛与初值无关，预设时间控制可提前指定收敛时间，更适配工程安全约束。现有研究极少同时针对不确定 NELSs实现固定 / 预设时间下的分组二分一致性。

谢天乐：本次汇报的文献是《Sonnet: Spectral Operator Neural Network for Multivariable Time Series Forecasting》。多变量时间序列预测方法能够整合来自外生变量的信息，从而显著提高预测精度。Transformer架构因其能够捕捉长程序列依赖关系，已被广泛应用于各种时间序列预测模型中。然而，Transformer的简单应用往往难以有效建模变量间随时间变化的复杂关系。为缓解这一问题，我们提出了一种新颖的架构，即谱算子神经网络（Sonnet）。Sonnet对输入应用可学习的小波变换，并结合使用Koopman算子进行谱分析。其预测能力依赖于多变量相干注意力（MVCA），这是一种利用谱相干性来建模变量依赖关系的操作。我们的实证分析表明，Sonnet在47个预测任务中的34个任务上表现最佳，与最具竞争力的基线（因任务而异）相比，平均绝对误差（MAE）降低了1.1%。我们进一步证明，当MVCA替代各种深度学习模型中使用的简单注意力时，能够弥补其不足，在最具挑战性的预测任务中平均降低10.7%的MAE。

袁玉：本次组会汇报了一篇文献《HC-XLSTM: A Dual-Branch Framework With Paired Blocks for Hyperspectral Image Classification》在本文中，作者他们提出了一种面向高光谱图像分类的双分支端到端框架 HC-xLSTM，旨在高效捕捉全局上下文与局部细节特征。模型采用互补的双分支结构：上分支捕捉长程空间依赖，支持高效并行计算；下分支实现精细门控与局部特征修正。每个分支内部堆叠多个 Paired Block，通过正向与反向双向扫描，全面建模空间上下文信息。同时，设计 Cross-mLSTM 模块，以类注意力的线性复杂度方式，自适应融合双分支特征，避免传统自注意力的高计算开销。最后，在 4 个公开数据集上的实验结果表明，HC-xLSTM 的分类性能优于其他同类模型。