基于时空深度学习模型的PM_(2.5)预测

伴随着快速城市化进程,空气污染尤其是PM_(2.5)严重影响着人们的身体健康,精准的空气质量预测能够为空气污染防治以及政府决策提供有力支撑。针对当前空气质量预测研究中存在的问题,包括缺失数据填充,时空特征信息提取等,提出一种基于三维卷积神经网络和长短时记忆神经网络构建的时空混合深度学习模型C3D-LSTM。模型通过三维卷积模块对时空维度上的特征信息进行联合提取,并利用长短时记忆网络学习长时间序列数据的能力,预测目标站点的PM_(2.5)的浓度。基于北京市22个站点的真实数据集进行实验,结果表明,所提模型在平均绝对误差、均方误差和拟合系数三种指标方面均优于其它基准空气质量预测模型。

一种水声传感器网络容错定位算法

针对由于分组冲突和信号噪声造成测距数据包损坏,导致节点间距离测量缺失从而定位性能下降的问题,提出了一种能够容忍测距包损坏的定位算法。首先,设计了一种高效的节点间距离测量值收集机制,并构造具有部分观测值的平方距离矩阵;然后,利用平方距离矩阵固有的低秩结构,将矩阵的恢复补全转化为一个正则化的低秩矩阵分解问题,并设计了一种改进的Newton-Raphson方法进行优化求解;最后,基于恢复矩阵内的距离测量值,应用多维标度技术对所有节点进行定位。仿真结果表明,该算法在定位精度、定位覆盖率和稳定性等方面均优于其他对比算法。