在遥感海浪数据质量控制研究中,由于数据的复杂与不规则性,传统质量控制方法对海浪数据单点异常值的检测具有一定局限性。深度学习具有强大的特征学习能力,在解决非线性复杂问题方面具有一定优势,将其应用在数据质量控制领域可以提高异...在遥感海浪数据质量控制研究中,由于数据的复杂与不规则性,传统质量控制方法对海浪数据单点异常值的检测具有一定局限性。深度学习具有强大的特征学习能力,在解决非线性复杂问题方面具有一定优势,将其应用在数据质量控制领域可以提高异常值检测能力。本研究采用遥感海浪有效波高数据,构建双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)模型对有效波高进行预测,结合阈值方法进行异常检测,与3σ准则法、孤立森林模型法、 LSTM模型法以及VAE-LSTM模型法进行异常检测精度比较,探究基于Bi-LSTM的质量控制模型在遥感海浪数据异常值检测方面的能力。试验结果表明,Bi-LSTM质量控制模型具有良好的异常值检测效果,其精准率、召回率、 F1分数和运行时间分别为91%、 93%、 92和3.35 s,综合评价效果最佳,可有效对遥感海浪数据进行质量控制。展开更多
随着第六代(6G)移动通信系统的发展,CSI(Channel State Information)是提升网络性能至关重要的信息。传统的信道图谱(Channel Charting)方法通过将高维CSI数据映射到低维空间,从而揭示无线信道与物理环境之间的关系。然而,现有的信道图...随着第六代(6G)移动通信系统的发展,CSI(Channel State Information)是提升网络性能至关重要的信息。传统的信道图谱(Channel Charting)方法通过将高维CSI数据映射到低维空间,从而揭示无线信道与物理环境之间的关系。然而,现有的信道图谱方法大多侧重于静态几何结构的学习,忽视了信道随时间变化的动态特性,导致在复杂动态环境中,信道图谱的稳定性和拓扑一致性较差。为了解决这一问题,提出了一种结合LSTM(Long Short-Term Memory)和AE(Auto-Encoder)的时序信道图谱构建方法(LSTM-AE-信道图谱),该方法在传统信道图谱框架的基础上融入了时序建模机制。通过引入LSTM网络捕捉CSI的时序依赖性,并使用AE学习低维的连续潜在表示,所提出的方法能够在保证信道几何一致性的同时,显式建模信道的时变特性。实验结果表明,所提出的方法在多个真实通信场景中均表现出了优异的性能,特别是在信道图谱的稳定性、轨迹连续性以及长期预测能力方面,相较于传统信道图谱方法,具有显著的优势。展开更多
文摘在遥感海浪数据质量控制研究中,由于数据的复杂与不规则性,传统质量控制方法对海浪数据单点异常值的检测具有一定局限性。深度学习具有强大的特征学习能力,在解决非线性复杂问题方面具有一定优势,将其应用在数据质量控制领域可以提高异常值检测能力。本研究采用遥感海浪有效波高数据,构建双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)模型对有效波高进行预测,结合阈值方法进行异常检测,与3σ准则法、孤立森林模型法、 LSTM模型法以及VAE-LSTM模型法进行异常检测精度比较,探究基于Bi-LSTM的质量控制模型在遥感海浪数据异常值检测方面的能力。试验结果表明,Bi-LSTM质量控制模型具有良好的异常值检测效果,其精准率、召回率、 F1分数和运行时间分别为91%、 93%、 92和3.35 s,综合评价效果最佳,可有效对遥感海浪数据进行质量控制。
