利用参考量测和递归神经网络(LSTM)校准原始数据的深度学习方法

Question

我使用Keras和R来解决我的校准问题。我有一个低成本测量装置的原始温度时间序列数据，它与高成本设备的参考测量有很强的线性关系。然而，低成本设备的测量并不像高成本设备的测量那样精确。因此，考虑到采用LSTM的高成本器件的基准测量，我想对低成本器件的原始测量进行校准。

最近我买了“深度学习与R，第二版”来阅读书中的例子，以便更好地了解深度学习。LSTM也在那里被引入，但是他们用它来预测温度。我只想校准，而不是预测。

我作为基础使用的预测示例和源代码可以在这里找到：https://github.com/t-kalinowski/deep-learning-with-R-2nd-edition-code/blob/main/ch10.R

基本上，他们准备输入的数据是为了解决他们的预测问题：

sampling_rate <- 6 # keeping only one measurement per hour
sequence_length <- 120 # look back time (observations)
delay <-g # forecast targets (24 hours)
batch_size <- 256

df_to_inputs_and_targets <- function(df) {
  inputs <- df[input_data_colnames] %>%
    normalize_input_data() %>%
    as.matrix()

  targets <- as.array(df我使用Keras和R来解决我的校准问题。我有一个低成本测量装置的原始温度时间序列数据，它与高成本设备的参考测量有很强的线性关系。然而，低成本设备的测量并不像高成本设备的测量那样精确。因此，考虑到采用LSTM的高成本器件的基准测量，我想对低成本器件的原始测量进行校准。最近我买了“深度学习与R，第二版”来阅读书中的例子，以便更好地了解深度学习。LSTM也在那里被引入，但是他们用它来预测温度。我只想校准，而不是预测。我作为基础使用的预测示例和源代码可以在这里找到：https://github.com/t-kalinowski/deep-learning-with-R-2nd-edition-code/blob/main/ch10.R基本上，他们准备输入的数据是为了解决他们的预测问题：T (degC)`)

  list(
    head(inputs, -delay),
    tail(targets, -delay)
  )
}

make_dataset <- function(df) {
  c(inputs, targets) %<-% df_to_inputs_and_targets(df)
  timeseries_dataset_from_array(
    inputs, targets,
    sampling_rate = sampling_rate,
    sequence_length = sequence_length,
    shuffle = TRUE,
    batch_size = batch_size
  )
}

train_dataset <- make_dataset(train_df)
val_dataset <- make_dataset(val_df)
test_dataset <- make_dataset(test_df)

因为我不想预测，但校准，我想，没有必要延迟，如以前的代码？在我的例子中，目标必须是参考度量序列中的最后一个元素。我相应地更改了参数值：

sampling_rate <- 1 # keep all measurements
sequence_length <- 120 # look back time (observations)
delay <- sampling_rate * (sequence_length) - 1 # calibration target (last element of sequence)
batch_size <- 256

我是否有正确的想法，通过参数的变化，如果没有，请纠正我。谢谢!

PS。据我所见，当使用低成本传感器时，LSTM似乎完全被用作一种预测方法。所以我觉得我不能用我想用的方式来使用它。

Answer 1

高质量传感器与低质量传感器的区别可以看作是噪声。

这就是为什么你可以使用一种噪声抑制算法或者基于高质量传感器的自动编码器来校准低质量的信号。

自动编码器广泛应用于包括图片在内的许多领域，它也适用于信号。

此外，你应该有低质量和高质量的传感器在相同的环境中记录信号，以便通过低质量的数据作为输入和高质量的数据作为输出来正确地训练它们。

如果你接受了许多样本的训练，你最终应该会有好的结果，把低质量的数据转化为高质量的数据。