.png){kind=icon}
返回
BERTC: A new Bayesian exponential regularized tensor completion method for sparse geomagnetic time series data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132509.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地磁数据对于预测地震和磁暴至关重要。然而，由于硬件故障和不可控干扰，数据往往不完整。张量分解可以捕捉不同数据集之间的潜在关系，近年来已被广泛用于解决稀疏张量中缺失条目的补全问题。然而，由于这类方法容易发生过拟合，当地磁数据缺失率相对较大时，补全精度较低。鉴于此，本研究提出了一种新的贝叶斯指数正则化张量补全框架（即BERTC），用于解决稀疏地磁数据的补全问题。首先，将时空地磁数据重塑为具有随机缺失元素的3D张量，其维度包括天和小时。其次，开发了一种Gibbs采样算法，以实现模型中矩阵因子和相应参数的概率推断。因此，稀疏张量可以在迭代过程中逐步优化以填补缺失条目。第三，提出了指数正则化项以减少迭代前后的振荡，从而进一步提升补全质量。最后，通过Gibbs采样聚合得到的因子矩阵来完成稀疏张量。研究中使用了来自18个不同城市的数值地磁数据集，并进行了广泛的对比实验以评估BERTC的补全性能。结果表明，与当前最先进的方法相比，所提出的BERTC在补全精度方面具有明显优势，补全精度提升约20%以上。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
查看更多内容