利用联合图模型的传感器网络数据修复方法

为了保证无线传感器网络数据本身的可靠性,以及不会因为数据缺失而导致数据处理过程中的效率降低,提出了一种利用联合图模型的传感器网络数据修复算法。首先基于网络数据的时间域平滑特性和空间域平滑特性建立联合图域模型,然后根据联合图域模型中网络数据的关联特性设计迭代恢复算法,最终实现网络数据恢复的目的。通过实验仿真表明,该方法与图信号模型中基于图全变分最小化算法相比,利用联合图模型的修复算法不仅数据修复精度提高约30%,迭代次数下降约80%。

基于概率图模型的天气预测研究

天气预测关系国计民生,从传统预报到数值预报,随着科技进步特别是计算能力的提升,预测准确率已大幅提高,但仍受限于对大气变化规律的认知程度。由数据驱动的天气预测方法层出不穷,以期帮助人们发现更多天气规律,提高预测准确率。机器学习方法一直是备受各个领域青睐的建模方法,气象领域也不例外。为解决非平稳时间序列的天气预测中的多重共线性问题,探索空间相关关系,文中应用图信号方法,以条件高斯图模型,学习出华东地区21个测站之间可解释的降水量空间相关关系和气温相关性,在此基础上用联合条件高斯图模型,联合预测各站未来24小时的降水量和平均气温,与其他未考虑空间相关性和输出变量相关性的预测模型相比,预测准确率有所提升。因为所用数据为易获取的国际交换站地面观测数据,模型简单而高效,经准确率验证,该方法可在天气预报业务中推广应用。