用于网络化流动动力学稀疏采样的图傅里叶变换神经网络逼近
机器学习
2020-02-14 v1 信号处理
物理与社会
机器学习
摘要
基础设施监测对于安全运营和可持续性至关重要。配水网络（WDNs）是具有复杂级联动力学、难以预测的大规模网络关键系统。普适监测成本高昂，一个关键挑战是从局部稀疏监测数据推断污染物动力学。现有方法使用多目标优化寻找最小必要监测点集，但缺乏性能保证和理论框架。在此，我们首先开发图傅里叶变换（GFT）算子来压缩网络化污染扩散动力学，以识别具有推断性能保证的核心数据采集点。然后我们构建受自编码器（AE）启发的神经网络（NN）来泛化 GFT 采样过程，并从初始采样集中进一步欠采样，使得极少量数据点即可大幅重建真实与人工 WDN 上的污染动力学。我们测试了多种污染来源，并使用约 5-10% 的样本集获得了高精度的重建。这种通过神经网络进行压缩与欠采样恢复的通用方法可应用于广泛的网络基础设施以实现数字孪生。
引用
@article{arxiv.2002.05508,
title = {Neural Network Approximation of Graph Fourier Transforms for Sparse Sampling of Networked Flow Dynamics},
author = {Alessio Pagani and Zhuangkun Wei and Ricardo Silva and Weisi Guo},
journal= {arXiv preprint arXiv:2002.05508},
year = {2020}
}