计算机科学与技术学院2024级电子信息专业研究生陈俊扬以第一作者（导师为通讯作者）在期刊《Nonlinear Dynamics》（中科院二区，影响因子：6.0）上发表研究论文，论文题目为《AC-xLSTM: An Enhanced Information Flow and Adaptive Differential Modeling Framework for Chaotic Time Series Prediction》。

该论文是在我院陈中教授的指导下完成，衡阳师范学院为第一署名单位。论文核心理论是：针对混沌时间序列因其高度非线性与初值敏感性而难以长期预测的挑战，提出了一种名为AC-xLSTM的新型深度学习框架。该框架融合了增强的注意力机制、门控交叉加权互动与自适应微分建模，旨在精确捕捉复杂动态并抑制误差累积。在Rössler、Chen、Lorenz及Mackey-Glass四个基准混沌系统上的评估表明，该方法相比强大的xLSTM基线，平均均方误差（MSE）降低了96.70%，在5%高斯噪声干扰下，其在Rössler系统上的平均绝对误差（MAE）仍低至1.34e-3，展现了远超现有方法的预测精度与鲁棒性。