我们提出了一种映射算法,用于在室内环境中通过近似高斯过程回归计算大规模磁场地图,以用于室内区域的定位算法。
Oct, 2023
室内环境中的铁磁材料引起环境磁场的扰动,可以利用这些磁场扰动制作地图用于室内定位。我们研究了利用磁力计测量和磁力计位置信息学习磁场的空间变化的高斯过程,并探讨如何利用磁力计阵列提高磁场地图的质量。通过模拟和实验数据,我们证明了该方法的有效性。
该研究开发了一个基于物理引导的 TinyML 框架,通过集成物理模型训练和压缩的方法,提高了实时空间天气预测中磁变扰动预测的准确性和可靠性,并与传统方法进行了综合比较分析。
Nov, 2023
本文综述了在地球卫星观测中,机器学习算法(尤其是高斯过程回归)在生物物理参数估计方面的应用,以及如何利用前向模型改进预测和理解物理关系。最后,本文提出了三种高斯过程模型,分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器,通过植被监测和大气建模的实例验证了它们的性能。
Dec, 2020
本研究提出一种新的天线阵列校准方法,采用基于贝叶斯机器学习的近场测量的非参数模型对天线系统的波束赋形权重进行连续变换,以修正天线元件之间的硬件失真和相互耦合效应,可用于不同规模的数字和模拟波束赋形天线阵列,并探讨了在动态硬件失真的实时操作方面的进一步发展。
Jan, 2023
本文提出了一种使用受污染正态似然函数扩展高斯过程框架的方法,以更好地考虑异方差性和异常噪声。我们还提出了一种基于稀疏变分高斯过程方法的可扩展推理算法,用于在大型数据集上拟合具有受污染正态噪声的稀疏高斯过程回归模型。我们在地磁地面扰动应用中进行了实证研究,该应用基于神经网络的最先进预测模型,结果表明与人工密集神经网络基线相比,我们的方法在保持相似的覆盖率和准确性的情况下获得了较短的预测区间。
Feb, 2024
提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法,使其可以根据历史数据产生真正的后验分布,同时还将基于大量已研究的领域的启发式设计用于多任务学习,实现了比基线模型更好的股票和风速预测。
Jul, 2022
利用机器学习的多种模型,如储备计算、时延前馈神经网络和随机森林,可以在复杂环境下检测地球的异常磁场,并提高导航精度。
本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测,并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。
Jun, 2023
本文提出了一种利用 RBPF 粒子滤波算法和 IMU 惯性测量单元跟踪行人运动的同时定位和建图方法,使用了一些地图来纠正行人的位置信息和方向估计值,实验证明其在室内环境中定位和跟踪行人的有效性。
Mar, 2022