通过测量地磁数据，该研究构建和训练了一种基于时间注意力的长短期记忆网络，用于长距离水下导航，并通过最大似然估计检测并量化地磁异常，以提高导航的准确性和稳定性。

Feb, 2024

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

本文提出一种基于深度神经网络和三维地图预测城市环境中的无线电信号强度分布的算法，该方法不需要发射器位置知识和削弱、遮蔽参数等副通道信息，既可用于无人机或移动机器人部署优化也可应用于动态频谱访问网络、蜂窝覆盖设计和功率控制算法等方面。

Nov, 2020

本文提出一种基于自监督学习的异常检测框架，应用于广泛的射电望远镜系统，能够在实时处理中，有效地分类常见异常及检测未知异常。通过为 Low Frequency Array（LOFAR）望远镜提供的数据集验证，该方法取得了高效且有效的结果，表现优于其他相关作品。

Jul, 2023

通过分析全球导航卫星系统 (GNSS) 观测数据，本研究提出了一种基于深度学习的方法来检测非直射路径接收与预测 GNSS 伪距误差，并构建了类似 Transformer 的注意机制来提高模型性能和泛化能力，实验结果表明相比其他模型，该方法在车辆定位中具有更好的准确性和召回率，能够避免轨迹偏离问题。

Sep, 2023

本研究提出了一种名为 ForestNet 的方法，将 Random Forests 与 Neural Networks 结合起来，提高了相机定位的准确性。

Sep, 2016

该论文使用神经网络检测数据与给定参考模型的偏差，并通过极大似然比假设检验算法实现。其主要应用是无需事先假设新物理，实现模型无关的新物理搜索，论文还探讨了进一步优化算法以适用于实验数据的可能性。

Jun, 2018

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

利用机器学习技术预测地磁扰动，采用适用于长时间序列分析的长短时记忆循环神经网络 (LSTM)，通过对在 L$1$ 点获取的太阳风等离子体和磁场的现场测量数据进行研究，使用二元分类方式预测 SYM-H 地磁活动指数在 - 50 nT 的阈值以下一小时的降低，从而指示磁层的扰动。同时考虑到强烈的时间变化特征，采用适当的损失函数来解决类别不平衡的问题，并使用加权技能评分方法来评估预测结果。首次考虑太阳暴和磁旋的内容以及它们的能量特征，通过相关性驱动的特征选择方法对神经网络预测模型中最相关的特征进行排序，同时展示了所采用的神经网络在准确预测地磁风暴的发生时起到的关键性作用，这对于在实际操作环境中给出真实预警至关重要。

Mar, 2024

本文针对海洋数据中存在时间奇异性的问题，使用神经网络建模，预测多艘船舶的 AIS 消息内容，以改善航线预测。在多个算法实验中，卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。

Feb, 2022