用于地球信息学中时间序列信号建模与分析的机器学习方法
机器学习
2021-09-21 v1
摘要
本学位论文提供了一种比较分析，评估了若干深度学习（DL）架构在大量不同性质、面向不同应用的时间序列数据集上的性能。此处讨论了两个主要且富有成果的研究领域，它们经策略性选取以应对当前吸引大地测量学界关注的跨学科研究优先方向。第一个问题涉及电离层总电子含量（TEC）建模，这是许多实时全球导航卫星系统（GNSS）应用中的重要议题。关于电离层变化的可靠且快速的知识变得愈发重要。单频接收机的 GNSS 用户和卫星导航系统需要精确的修正以去除电离层引起的信号退化效应。利用信号处理技术进行电离层建模是本文讨论的主题。下一个讨论的问题是能量分解，这是能效与能耗意识方面的重要议题。如今，在电器层面关于居民能耗的可靠且快速的知识变得愈发重要，并且它是防止能源浪费的一项重要缓解措施。能量分解或非侵入式负载监测（NILM）是一个单通道盲源分离问题，其任务是在给定总能耗的情况下估算各电器的消耗。针对这两个问题，提出了覆盖所研究问题各方面的多种深度学习模型（DL），实验结果表明所提方法相对于当前最先进方法的优越性。
引用
@article{arxiv.2109.09499,
title = {Machine learning methods for modelling and analysis of time series signals in geoinformatics},
author = {Maria Kaselimi},
journal= {arXiv preprint arXiv:2109.09499},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2004.13408 by other authors