2025年，在明斯克举办的第十二届白中青年创新论坛“新视野—2025”（XII Belarusian-Chinese Youth Innovation Forum “New Horizons – 2025”）上，发表两篇关于性能时间序列（Performance Time Series, PTS）基础方法论的学术报告。

磁共振成像（MRI）是脑癌诊断与分类的重要工具。结合现代卷积神经网络（CNN）技术，可有效提升肿瘤分类的准确率与效率，为临床医生提供重要参考。既往研究表明，CNN在医学图像分类中具有优势。然而，针对不同CNN模型在脑癌MRI图像分类任务中性能差异及其超参数优化的深入探讨仍显不足，限制了临床应用中的模型选择与准确率提升。

本文提出一种基于归一化熵作为基础度量的变点检测概念，旨在克服传统熵方法对数据分布假设与绝对尺度的依赖。归一化熵通过标准化将熵值映射至[0,1]区间，从而准确刻画数据复杂性的相对变化。

负载时间序列分析对资源管理与优化决策至关重要，尤其是自动化分析技术。现有研究对样本整体特征的解读尚不充分，导致对具有不同特征（趋势性、季节性、周期性）的样本，其负载水平检测结论存在显著差异。实现自动化、特征自适应且可量化的分析方法仍是一项挑战。本文提出一种基于阈值识别的负载水平检测算法（TRLLD），该算法依据样本特征，有效识别任意规模与任意分布类型样本中的不同负载水平区域。

现有时间序列相关性研究方法往往过度依赖整体统计特征，而忽略数据在时间维度上的动态变化，尤其在趋势拐点识别与复杂相关性判别方面存在不足。本研究提出一种创新的趋势对齐特征相关性匹配方法（TAFC），突破了传统相关性分析的局限。TAFC采用精细的数据预处理流程，并引入两个独特指标：趋势重叠指数度量（Q）与数值相关性度量（P）。

心率变异性（HRV）及RR间期Lorenz图是评估心脏健康状况的关键指标。Lorenz图可有效描述心率的动态变化，但其分类具有挑战性。目前，数学计算是主要的分类方法，但仍存在区域划分困难、模式复杂等问题。卷积神经网络模型已在诸多问题中被证实有效，但其在Lorenz图分类中的应用仍相对有限。本研究旨在提出一种基于预训练卷积神经网络模型的Lorenz图分类先进方法，并依据Lorenz图的形态学特征对其进行分类。

文档具有信息存储、提升工作效率及促进协同创新等功能，在各领域中发挥着重要作用。在SaaS环境中，高效且灵活的文档生成服务不仅是业务流程的核心，也是提升竞争力与推动业务增长的重要工具。高度定制化的文档生成服务可有效处理信息密度高、数据表达形式多样的文档，从而提升数据的可读性、可操作性与灵活性。