返回
Transformer-based sequence-to-sequence soft sensor using missing data in industrial processes
DOI:10.1016/j.chemolab.2026.105631.png)
摘要
En 中文
• 引入自注意力机制以编码长期时间依赖关系。
• 使用长短期记忆网络(LSTM)来建模局部非线性并插补缺失数据。
• 端到端训练插补与预测,以确保完成的数据真实可信。
期刊
IF:
3.8
论文数:
4.6K
被引数:
1.2W
机构
引用论文
Multivariate time series data imputation using attention-based mechanism基于注意力机制的多变量时间序列数据插补
NEUROCOMPUTING
IF6.5
RNN-LSTM: From applications to modeling techniques and beyond—Systematic reviewRnn-lstm: 从应用到建模技术及超越-系统综述
A data imputation method for multivariate time series based on generative adversarial network基于生成对抗网络的多元时间序列数据插补方法
NEUROCOMPUTING
IF6.5
Imputation of missing well log data by random forest and its uncertainty analysis基于随机森林的测井数据缺失填补及其不确定性分析

