PulseAugur
中
实时 17:33:27
English(EN) Low-Cost High-Order Singular Value Decomposition for Tensor-Based Reconstruction from Sparse Sensor Measurements: Urban Flow and Air-Quality Applications

新的lcHOSVD方法从稀疏数据重建环境场

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一种新颖的张量框架，称为低成本高阶奇异值分解（lcHOSVD），用于从稀疏传感器数据重建复杂环境场。与会丢失结构信息的传统基于矩阵的方法不同，该方法保留了高维数据的自然张量结构。lcHOSVD应用于城市流和空气质量模拟，证明了其能够仅使用1-4%的可用空间位置来重建三维场，在准确性和对传感器分布不均的鲁棒性方面优于更简单的方法。 AI

影响 通过从有限的传感器输入中实现更好的数据重建，这项研究可以提高环境监测和预测的效率和准确性。

排序理由 介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的lcHOSVD方法从稀疏数据重建环境场

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Arindam Sengupta, Paul Jeanney, Ricardo Vinuesa, Jose Miguel Perez, Soledad Le Clainche ·

    Low-Cost High-Order Singular Value Decomposition for Tensor-Based Reconstruction from Sparse Sensor Measurements: Urban Flow and Air-Quality Applications

    arXiv:2606.24989v1 Announce Type: new Abstract: Urban flow and air-quality simulations generate high-dimensional datasets describing velocity and pollutant transport across multiple spatial, temporal, and physical-variable dimensions. Reconstructing these fields from sparse senso…

相关话题