Dec, 2023

稀疏感知中的场重构：可微传感器布置增强泛化能力

PDF
TL;DR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。
reconstructionsensor placementneural network modeldata collection efficiencyredundancy
发现论文，激发创造
  • 复杂环境中高效稳健的传感器布置

    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

  • 利用隐式神经网络从稀疏观测中持续场重构

    本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。

    Jan, 2024

  • 稀疏传感器的数据诱发相互作用

    科学和工程中的大维度实证数据往往具有低秩结构，并可表示为仅由少数特征模式的组合。本研究基于数据训练给出了传感器相互作用的完整景观，采用了统计物理学中的伊辛模型，从而优化了传感器布置并利用了外部选择准则。

    Jul, 2023

  • 通过重复微分实现神经场卷积

    本文介绍了一种使用经过训练的积分场实现大规模卷积的方法，用以弥补神经场作为连续信号表示方法而不易进行信号处理的问题。作者在各种数据模态和空间变化的核上演示了该方法。

    Apr, 2023

  • 优化多覆盖感知网络设计

    传感器布置优化方法研究广泛，但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖，从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络，并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本，相关地，我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后，我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。

    May, 2024

  • 用 Transformer 学习解决气候传感器布置问题

    利用深度强化学习方法自动学习改进性启发式算法，提出一种针对环境监测和灾害管理的传感器布置方法，与现有方法相比，证明了其在生成高质量解决方案方面的有效性和优越性，为应用先进的深度学习和强化学习技术解决关键气候传感器布置问题提供了有希望的方向。

    Oct, 2023

  • 利用压缩感知技术优化传感器位置，重建建筑物周围的风压场

    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

  • 基于全局稀疏 - 局部稠密格点的快速单目场景重建

    研究使用 “符号距离函数” 结合 “稀疏体素块网格” 等算法实现室内场景的平面重建，相较于常规算法在训练与渲染速度上有数量级的提升，同时保持与现有方法相当的精度。

    May, 2023

  • 连续空间自适应传感器布置

    本文提出了一种新的传感器放置问题的建模方法，在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解，并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。

    May, 2019

  • 基于分块训练的深度学习方法用于温度场重建

    文章提出了一种基于切片训练的新型深度学习方法，旨在从有限观察中准确重构电子设备的温度场。对有限元模拟数据进行的实验表明，该方法的最大绝对误差小于 1K，并且通过对不同热源布局、不同功率密度和不同观测点位置的研究进行了验证。

    Jan, 2022