该研究旨在解决云无线电接入网络中预测式缓存的问题，通过利用基带单元的机器学习框架并结合子线性算法，确定内容缓存，研究发现该方法相较于随机缓存算法提高了 27.8％至 30.7％的有效容量。

Jul, 2016

该研究使用基于深度算子网络的代理模型替代了传统的偏差校正过程，通过结合卷积自动编码器 - 解码器结构来高效地学习更低维度的较高维度数据，以提高计算效率，进而将其应用于在线气候模拟中的偏差纠正模块，以提高气候模型的准确性和效率。

Feb, 2023

本文提出了一种基于全非侵入式长短时记忆（LSTM）嵌入结构的递归神经网络方法，用于估算限制性项，该方法不仅强制状态轨迹到观察值，而且还在一定程度上充当了稳定器，并通过相关数据的强大力量，可以有效地进行再培训。实验结果表明，与 EKF 和 EnKF 相比，所提出的 LSTM 间隙处理方法在只有稀疏观察数据可用时产生了更准确的估计。

May, 2020

该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

Apr, 2023

提出了一种采用非正交多址技术 (NOMA) 的可重构智能表面 (RIS) 的部署和无源波束成形设计的新框架，利用机器学习方法分别进行用户流量需求的预测和位置获取及相位控制。所提出的 D3QN 算法优于基准算法，同时 NOMA 增强的 RIS 系统能够实现比正交多址 (OMA) 启用的 RIS 系统更高的能量效率。

Jan, 2020

该研究通过概率隐变量序列模型，使用前向算法实现连续状态 Kalman 滤波器来学习单词的表示。通过 EM 算法准确地优化参数，使用所学习到的单词嵌入作为标记任务的特征，在标记任务中实现显著的准确度改进，并通过线性递归神经网络通过我们的模型的参数来初始化非线性递归神经网络语言模型，降低了其训练时间和困惑度。

Feb, 2015

研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

Feb, 2024

本文通过使用回声态网络（ESN）进行特征重要性分析，旨在量化与气候现象相关的变量关系，并以模拟研究和气候数据分析验证了该方法的有效性。

Oct, 2023

本文提出一种基于随机高阶 Fuzzy Cognitive Maps 设计的新型单变量时间序列预测技术 R-HFCM，并且将其与 Echo State Network 相结合，使用最小二乘算法进行训练。使用公共数据的太阳能预测以及马来西亚发电公司的小时用电负载和温度数据进行案例研究，发现该方法具有较高的准确性和预测性，在时间序列建模中有较大的应用前景。

Jan, 2022

这篇论文介绍了一种基于时间序列的自监督模型，通过采用 Transformer 架构和多尺度嵌入模块，在大规模数据集上取得了显著的改进，建立了新的最优实验结果。

Oct, 2023