基于矩阵分解的回声测深仪时间序列时间过程紧凑表示
信号处理
2020-12-30 v2 机器学习
摘要
近年来，来自多种海洋平台的回声测深仪数据可用性的爆发式增长，为在大尺度上观测海洋生态系统创造了前所未有的机遇。然而，缺乏能够自动发现并概括显著时空回声图结构的方法，限制了这些丰富数据集的有效和广泛应用。为应对这一挑战，我们开发了一种基于矩阵分解的数据驱动方法，利用数据中的内在特征构建长期回声测深仪时间序列的紧凑表示。在一种两阶段方法中，我们首先通过主成分追踪（Principal Component Pursuit）从数据中去除噪声离群点，然后采用时间平滑的非负矩阵分解（Nonnegative Matrix Factorization）自动发现少量不同的每日回声图模式，其随时间变化的线性组合（激活）重建了主导回声图结构。这种低秩表示提供了比原始数据更易于处理和解释的生物信息，并适用于与其他海洋变量一起进行可视化和系统分析。与依赖固定的手工规则现有方法不同，我们的无监督机器学习方法非常适合于从陌生或快速变化的生态系统收集的数据中提取信息。本工作为构建用于海洋中大规模、基于声学的生物观测的鲁棒时间序列分析奠定了基础。
引用
@article{arxiv.2007.02906,
title = {Compact representation of temporal processes in echosounder time series via matrix decomposition},
author = {Wu-Jung Lee and Valentina Staneva},
journal= {arXiv preprint arXiv:2007.02906},
year = {2020}
}