移动传感器的长序列解码网络

当传感器测量有限时，时空模式的重构与估计面临着显著的挑战。使用移动传感器会引入额外的复杂性，因为传感器位置随时间变化。在这种情况下，历史测量和传感器信息对于更好的性能具有重要作用，包括卡尔曼滤波器、循环神经网络 (RNN) 或 transformer 模型等方法。然而，这些方法往往难以有效处理此类场景中的长序列数据，且对噪声敏感。本文我们采用无模型方法，将结构化时空序列 (S4D) 模型作为传统序列模型中的深度学习层，以更好地表示历史传感器数据。具体而言，将其集成到浅层解码网络中，用于重建高维状态空间。我们还通过巴特沃斯滤波器设计引入 S4D 模型的一种新型初始化，以减少输入中的噪声。随后，我们通过在原始 S4D 结构之前追加滤波 S4D 层，构建了稳健的 S4D (rS4D) 模型。这种稳健变体增强了使用带有噪声的移动传感器测量进行长序列时空模式重建的准确度。数值实验表明，我们的模型在各种指标上优于先前方法。我们的结果凸显了在受限移动传感器资源下，使用状态空间模型进行时空数据重建和估计的有效性，尤其在长序列依赖性和对噪声鲁棒性方面。