本文介绍了一种数据驱动的稀疏传感器选择算法,通过拟合训练数据的基函数,排列现有压力传感器的重要性顺序,并成功地重建了高层建筑风压的空气动力学特性,为将数据驱动和机器学习算法成功应用于风工程提供了有希望的首要步骤。
Jun, 2023
通过差分编程在神经网络模型的训练中利用传感器放置来改善场重建,我们的方法有潜力显著提高数据收集效率,实现更全面的区域覆盖,并减少传感器部署的冗余。
Dec, 2023
通过利用虚拟传感技术,结合时空测量,建立一个基于图的深度学习框架 GgNet,通过学习变量和位置之间的依赖关系以及利用相关变量来插值,从而获得比现有技术更高的重建准确性。
Feb, 2024
在复杂环境中,我们解决了高效和无障碍监视或通信的问题,通过使用最少数量的传感器覆盖环境,并考虑对传感器故障或对抗性攻击具有鲁棒性的解决方案。我们提出了一种贪婪算法来实现多覆盖约束的最小传感器集设计目标,并探索了使用深度学习技术加速贪婪算法中目标函数的评估。神经网络的训练揭示了数据的几何特性显著影响网络性能,特别是在最后阶段。通过考虑这些特性,我们讨论了使用贪婪算法和 ϵ- 贪婪算法生成数据的差异及其对网络的鲁棒性的影响。
Sep, 2023
通过自信息(也称为惊讶值)的视角,我们将研究空间自相关的信息理论基础,具体而言是莫兰 I,提供形式化证明和实验。
May, 2024
研究高维能量景观,并使用 Kac-Rice 方法框架进行分析,以探索平均场玻璃模型的退火复杂性。
Apr, 2018
本文使用 Fitness Landscape Footprint 框架,对传感器数据融合和图像分类中的神经网络超参数优化问题进行研究,发现不同传感器具有类似的适应性分布,而 Sentinel-2 传感器的适应性能力更强,并且使用它进行搜索时获得更好的结果。
Jan, 2022
研究了在分布式估计中实现传感器协作的问题,以期找到在信息或能量约束条件下的优化稀疏合作方案,并提出了有效的方法以获得接近最优解。同时探讨了当每个传感器参与估计方案存在成本时的情况,并引入了一种统一的框架来联合设计最佳传感器选择和协作方案。发现在给定估计性能的情况下,存在传感器选择和协作之间的权衡。
Aug, 2014
本文介绍了一种可以用于处理弱长程相互作用问题的通用框架,其中包括压缩感知问题或感知器学习问题,框架利用了统计物理学的分析工具来研究其解决方案的基本限制,并提出了解决方案算法,这可以为机器学习提供有益的工具。
通过数据驱动算法和高性能计算,我们构建了一个基于时空光锥的框架,用于实现新现象的自组织,并且本文指出局部因果状态可以在复杂的时空系统中捕捉有序行为和一致结构。在二维湍流方面,我们证明了局部因果状态捕捉了涡旋及其幂律衰减行为,而在应用方面,我们演示了局部因果状态可用于识别已知(飓风和大气河流)和新的极端天气事件,并且可以通过高分辨率气候数据进行时间跟踪。
Apr, 2023