集成逆建模与正向建模处理来自传感器网络的稀疏时序数据
机器学习
2025-02-20 v1 人工智能
摘要
我们提出了 CavePerception，这是一个用于分析传感器网络稀疏数据的框架，融合了逆向建模和正向建模的元素。通过在假设空间中将机器学习与物理建模相结合，我们旨在提高稀疏、有噪声且可能不完整的传感器数据的可解释性。该框架假设数据来自布置在图结构中、用于检测特定物体及其特定运动模式的二维传感器网络。磁力计就是此类传感器的例子。在给定关于物体及其对传感器作用方式的知识后，可以开发一个数据生成器，根据物体在传感器场中模拟运动来生成数据。该框架利用模拟数据来推断传感器网络中的物体行为。该方法在真实世界数据上进行了实验测试，其中在机场使用磁力计来检测和识别飞机的运动。实验证明了集成逆向建模与正向建模的价值，使智能系统能够更好地理解和预测复杂的、传感器驱动的事件。
引用
@article{arxiv.2502.13638,
title = {Integrating Inverse and Forward Modeling for Sparse Temporal Data from Sensor Networks},
author = {Julian Vexler and Björn Vieten and Martin Nelke and Stefan Kramer},
journal= {arXiv preprint arXiv:2502.13638},
year = {2025}
}