对蛋白质数据与药物数据之间的相互作用进行表征。 具体工作： 1.设计基于特征级别的注意力融合模块，保证各层次语意信息之间的相互作用得以有效表征。 2.构建趋势损失函数，平衡基于药物与基于蛋白质数据检测结果差异引起的可信度缺失。

实现对癫痫数据发病种类实现高精度分类，通过运用图卷积技术，以及合适的数据空间建模方法，实现癫痫数据空间相互作用之间的表征。

随着航天技术的快速发展，太空中的空间物体数量不断增加， 同时也面临着越来越多的危险和挑战，雷达反射截面（RCS）数据 已经成为识别和跟踪空间物体的重要手段。在太空技术领域，越来 越多的人造卫星、空间探测器和其他空间物体被投放到太空中，这 些物体的数量和速度不断增加，给太空环境带来了严重的安全风险 和威胁。为了保障太空安全，开展对空间物体的监测、识别和跟踪 是必要的。利用雷达 RCS 数据进行空间物体智能识别技术研究，可 以有效地提高对空间物体的识别准确度和效率，为太空监测和管理 提供有力的支持。因此，“基于雷达 RCS 数据的空间物体智能识别 技术研究”成为了当前雷达技术和太空技术领域的热门研究方向之一。 该技术的研究将有助于提高空间物体的监测和识别能力，为太空领 域的安全和可持续发展作出贡献。 传统的对基于目标 RCS 的雷达目标识别方法主要是基于信号变 换与特征提取的思想对信号进行分类和检测。通过提取目标的特征， 如峰值、宽度、斜率等，进行分析和识别，从而实现对 RCS 数据的 有效分类。此类方法使用范围单一，对于不同类型的目标，需要设 计不同的特征提取算法，且在复杂环境下容易受到干扰。此外，部 分学者在对基于目标 RCS 的雷达目标识别方法的研究过程中，采用 深度学习的手段与方法，对模型进行设计。使用深度神经网络进行 目标识别，通过对大量数据的学习和训练，实现对目标的自动识别。 然而，现有的模型大多存在复杂环境下容易受到干扰，识别准确率 受限，以及鲁棒性和泛化能力差的问题。 为了克服模型准确率受限以及鲁棒性和泛化能力差的问题。我 们受通信模型中，信道编码的自适应动态编码思想启发，提出了一 1 种可解释的自适应动态缩放卷积神经网络(Adaptive dynamic scaling of convolutional neural networks,ADS-CNN)模型，根据模型中 的特征提取状态和噪声水平来自适应地调整网络结构，从而保证模 型的分类能力，提高感知分类模型的性能。