DTIN: Dual Transformer-based Imputation Nets for multivariate time series emitter missing data

插补(统计学) 共发射极 缺少数据 多元统计 计算机科学 数据挖掘 时域 算法 人工智能 机器学习 电子工程 工程类 计算机视觉
作者
Ziyue Sun,Yinlong Li,Wenhai Wang,Jiaqi Liu,Yinlong Li
出处
期刊:Knowledge Based Systems [Elsevier]
卷期号:284: 111270-111270 被引量:2
标识
DOI:10.1016/j.knosys.2023.111270
摘要

As a kind of multivariate time series (MTS) data, emitter signals often exhibit missing or corrupt values, posing serious challenges to emitter data research such as specific emitter identification (SEI). Existing multivariate missing data imputation (MDI) methods are deficient in two aspects when applied to MTS emitter data: first, single-channel models cannot handle variables with varying numbers of complete samples; second, they cannot efficiently impute MTS data that are out of the model's domain. To address these issues, a dual channel architecture tailored for MTS emitter data was devised in this study, which is called Dual Transformer-based Imputation Nets (DTIN). DTIN processes different types of variables through two parallel channels to extract different spatiotemporal features. Furthermore, drawing inspiration from image style manipulation, multivariate time series pivotal tuning inversion (MTSPTI) techniques are employed for better imputation performance, in which an in-domain pivotal code is created and input into the generator that is tuned for out-of-domain MTS emitter data. Extensive experiments on two real-world emitter datasets demonstrate that DTIN outperforms several existing MDI models.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
灵素完成签到,获得积分10
刚刚
怕孤独的青柏完成签到,获得积分10
刚刚
1秒前
1秒前
1秒前
是是是完成签到,获得积分10
1秒前
1秒前
SciGPT应助AYI采纳,获得10
3秒前
雨兔儿完成签到,获得积分10
3秒前
逸风望完成签到,获得积分10
3秒前
4秒前
孤檠完成签到,获得积分10
4秒前
研友_842M4n完成签到,获得积分10
4秒前
寻道图强应助灵巧人英采纳,获得30
4秒前
4秒前
lunarcry完成签到,获得积分10
5秒前
丘比特应助匆匆而过采纳,获得10
5秒前
5秒前
Raymond完成签到,获得积分0
5秒前
5秒前
6秒前
Orange应助zjh采纳,获得10
6秒前
大模型应助runner采纳,获得10
7秒前
su完成签到,获得积分20
7秒前
爆螺钉完成签到,获得积分10
7秒前
小鱼儿完成签到,获得积分10
8秒前
lefora完成签到,获得积分10
8秒前
keerlife发布了新的文献求助10
8秒前
jack完成签到,获得积分10
8秒前
金鱼完成签到,获得积分10
8秒前
9秒前
mariawang发布了新的文献求助10
10秒前
pluto应助大胆石头采纳,获得10
10秒前
nanwan发布了新的文献求助30
10秒前
爱科研的光催人完成签到,获得积分10
11秒前
清皓完成签到,获得积分10
11秒前
11秒前
大胆语儿完成签到,获得积分10
12秒前
12秒前
小胖子完成签到 ,获得积分10
12秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245223
求助须知:如何正确求助?哪些是违规求助? 2888917
关于积分的说明 8256094
捐赠科研通 2557285
什么是DOI,文献DOI怎么找? 1385910
科研通“疑难数据库(出版商)”最低求助积分说明 650265
邀请新用户注册赠送积分活动 626494