基于U-Net CNN的信号预测：超越传统RNN方法

《IEEE Access》：Signal Prediction Using U-Net CNN: Beyond Traditional RNN Approaches

　　

摘要：

本文研究的是在目标信号并非观测历史的延续，而必须通过其他同时测量的信号来推断的情境下的信号预测问题。我们提出了一种一维U-Net编码器-解码器，将预测问题重新表述为段到段的映射问题：由多个观测通道组成的固定长度输入窗口被转换为一个或多个目标通道的对齐输出窗口。与循环模型和自回归模型不同，所提出的方法可以并行预测整个段落，且不需要目标信号的初始部分作为输入。该方法在三个案例研究中进行了测试：汽车变速器场景（根据多个测量变量预测流量和压力），以及两个受物理原理启发的合成系统（运动学和热传递）。此外，还通过可控的输入扰动（高斯噪声、脉冲噪声和混合噪声）以及使用不同的损失函数（MSE、Huber、log-cosh）在异常目标条件下分析了方法的鲁棒性。实验结果表明，一维U-Net能够学习多信号输入与目标输出之间的结构化映射关系，并且在适度扰动下仍能保持稳定，这为其在多传感器信号预测任务中作为基于循环模型的实用替代方案提供了依据。