Incorporating Coincidental Water Data into Non-intrusive Load Monitoring
Tarbiat Modares University（塔比阿特莫达勒斯大学）
非侵入式负载监测（NILM）作为从聚合功率信号提取电器的使用模式的过程是辅助住宅能量管理的成功方法之一。近年来，关于功率分布的大容量数据集已经变得可用，这有助于使用于NILM目的的分类方法更有效和更准确。然而，多模式电器和具有接近功率值的电器的存在在恶化计算复杂性和降低这些算法的准确性方面仍然有影响。为了解决这些挑战，我们提出了一个基于事件的分类过程，在第一阶段的$K$ -最近邻居的方法，作为一种快速分类技术，提取电力信号的电器独家不重叠的功率值。然后，利用两个深度学习模型来区分具有重叠功率值的设备，这两个深度学习模型将一些设备的耗水量视为网络中的新签名。除了功率分解之外，所提出的过程还提取特定器具的水消耗概况。为了说明所提出的过程，并验证其效率，七个电器的AMPDS被认为是与数值分类结果显示显着改善现有的基于分类的NILM技术。
2021-01-18 cs.LG cs.SY eess.SY
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex（埃塞克斯大学）；Durham University（杜伦大学）；University College Cork（科克大学学院）
非侵入式负载监测（NILM）通常利用机器学习方法，并有效地将智能电表读数从家庭级别分解为电器级别的消耗，可以帮助分析用户的用电行为，并实现实际的智能能源和智能电网应用。然而，智能电表是私有和分布式的，这使得NILM的实际应用具有挑战性。为此，本文提出了一种分布式隐私保护的联邦深度学习框架（FederatedNILM），将联邦学习与最先进的深度学习架构相结合，进行NILM，用于家电典型状态的分类。通过大量的对比实验，证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
Non-intrusive Load Monitoring via Multi-label Sparse Representation based Classification
这项工作遵循的方法，多标签分类的非侵入式负载监测（NILM）。我们修改了流行的稀疏表示为基础的分类（SRC）的方法（单标签分类）来解决多标签分类问题。在基准REDD和Pecan Street数据集上的结果显示，在少量训练数据的情况下，与最先进的技术相比，有了显着的改进。
2019-12-11 cs.LG cs.SY eess.SP
Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances
Jožef Stefan Institute（约热夫·斯泰凡研究所）
本文提出一种高能效深度多标签分类模型，用于低频计量家用电器 ON/OFF 状态的非侵入式负荷监测，在 REFIT 和 UK-DALE 数据上相比现有方法能耗降低超 23% 且性能平均提升约 8 个百分点。
2024-03-29 cs.AI cs.LG
Transferability of Operational Status Classification Models Among Different Wind Turbine Typesq
DNV GL（DNV GL集团）
详细了解风力涡轮机性能状态分类可以改善风能行业的运营和维护。由于风力涡轮机的不同工程特性，用于分类的标准监督学习模型不能在从不同风场获得的数据集上进行推广。我们提出了两种方法来处理训练模型的可移植性：第一，以功率曲线对齐的形式进行数据归一化，第二，基于卷积神经网络和特征空间扩展的鲁棒方法。我们证明了我们的方法在现实世界的数据集与工业应用的成功。
2019-03-21 cs.LG stat.ML
Non-Intrusive Electrical Appliances Monitoring and Classification using K-Nearest Neighbors
Vanderbilt University（范德堡大学）；International University of Business Agriculture and Technology（国际商业农业技术大学）
非侵入式负载监控（NILM）是一种从聚合能耗特征中检测单个设备的能量信号的方法[1]。由于现有的能量计除了提供聚合的额定功率之外几乎不提供关于各个电器的能量消耗的信息，所以通过NILM发现各个电器的能量使用不仅将向消费者提供电器特定的能量使用的反馈，而且还导致他们的消费行为的改变，这促进了节能。B Neenan等人[2]已经证明，直接的个人特定于电器的能量使用信号导致消费者的行为变化，从而将能量效率提高多达15%。在分解能量信号时，需要根据适当的器具对信号进行分类。因此，本文的目标是将总能耗数据分解为单个设备签名，然后使用称为K-最近邻（KNN）的突出监督分类方法对特定于设备的能源负载进行分类。为了执行此操作，我们使用了一个可公开访问的来自几个房屋的电力信号数据集，称为REDD数据集。在应用KNN之前，为每个设备预处理数据。然后应用KNN检验它们的能耗特征是否可分离。在K=5时应用KNN。
2019-11-22 cs.LG eess.SP
Improving Non-Intrusive Load Disaggregation through an Attention-Based Deep Neural Network
University of Rome Tor Vergata（罗马第二大学）
能量分解，在文献中称为非侵入式负载监测（NILM），是在给定由监测多个电器的单个智能电表记录的总功率需求的情况下推断各个电器的功率需求的任务。在本文中，我们提出了一个深度神经网络，它结合了回归子网络和分类子网络来解决NILM问题。具体来说，我们通过在回归子网络中包含具有定制注意力机制的编码器-解码器来提高整体架构的泛化能力。注意力机制受到时间注意力的启发，时间注意力已成功应用于神经机器翻译、文本摘要和语音识别。在两个公开的数据集-REDD和UK-DALE-上进行的实验表明，我们提出的深度神经网络在所有考虑的实验条件下都优于最先进的技术。我们还表明，建模注意力转化为网络的能力，正确地检测打开或关闭一个设备，并定位信号部分具有高功耗，这是在能源分解领域的极大兴趣。
2021-02-08 cs.LG eess.SP stat.ML
Multi Label Restricted Boltzmann Machine for Non-Intrusive Load Monitoring
Indrapratha Institute of Information Technology, Delhi（德里印德拉普拉斯塔信息技术学院）
人口增长表明，需要在住宅部门管理能源需求。先前的研究表明，如果向客户提供电器级反馈，客户往往会减少大量的能源消耗。这一发现增加了负载监控在当今技术娴熟的世界中的相关性。大多数以前提出的解决方案都声称可以在没有入侵的情况下执行负载监控，但它们并不是完全非入侵的。这些方法需要历史设备级数据来训练每个设备的模型。这些数据是通过在家中的每个电器上放置传感器来收集的，这会导致建筑物的入侵。最近的一些研究提出，如果我们将非侵入式负载监控（NILM）框架为多标签分类问题，则可以避免对设备级数据的需求。在本文中，我们提出了多标签限制玻尔兹曼机（ML-RBM）的NILM和报告的实验评估建议和国家的最先进的技术。
2019-10-17 cs.LG cs.NE eess.SP
Global ECG Classification by Self-Operational Neural Networks with Feature Injection
Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）
目的：用于心电图（ECG）信号上的心律失常检测的全局（患者间）ECG分类对于人类和机器都是具有挑战性的任务。其主要原因是患者的正常和发作性心电图模式存在显著差异。因此，由于可穿戴ECG传感器的出现，以最高的精度自动化该过程是非常期望的。然而，即使最近提出了许多深度学习方法，在全局和患者特定ECG分类性能方面仍然存在显著差距。这项研究提出了一种新的方法来缩小这一差距，并提出了一个实时的解决方案，浅和紧凑的一维自组织操作神经网络（自ONNs）。研究方法：在这项研究中，我们提出了一种新的方法，利用心脏周期中的形态和时序信息，使用紧凑的1D Self-ONN进行患者间ECG分类。我们使用1D Self-ONN层从ECG数据中自动学习形态表示，使我们能够捕获R峰周围的ECG波形形状。我们进一步注入时间特征的基础上的RR间隔的时序表征。因此，分类层可以受益于最终心律失常分类的时间和学习特征。结果：使用MIT-BIH心律失常基准数据库，所提出的方法实现了有史以来最高的分类性能，即，正常（N）节段的精确度、召回率和F1评分分别为99.21%、99.10%和99.15%;室上性异位搏动（SVEB）的精确度、召回率和F1评分分别为82.19%、82.50%和82.34%;心室异位搏动（VEB）的精确度、召回率和F1评分分别为94.41%、96.10%和95.2%。
2022-05-29 cs.LG
Classification of Operational Records in Aviation Using Deep Learning Approaches
本文基于4,864条Socrata航空记录，比较BLSTM、CNN、LSTM和sRNN对商业、军事、私人运营记录的分类效果，发现BLSTM以72%准确率表现最佳。
2025-02-17 cs.LG
Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks
Tampere University（坦佩雷大学）
尽管提出了许多用于通用ECG分类和心律失常检测的深度学习方法，但具有实时能力和高准确性的紧凑系统仍然很少。特别是，患者特定数据的稀缺性对任何分类器都构成了最终挑战。最近，紧凑的1D卷积神经网络（CNN）已经达到了最先进的性能水平，可以准确分类室性和室上性异位搏动。然而，一些研究已经证明了这样一个事实，即传统CNN的学习性能是有限的，因为它们是具有基本（线性）神经元模型的同质网络。为了解决这一缺陷，并进一步提高患者特定的ECG分类性能，在这项研究中，我们提出了1D自组织操作神经网络（1D Self-ONNs）。由于其自组织能力，自ONN具有最大的优势和优越性，传统的ONN中的操作符集库内的先验搜索，以找到最好的可能的一组操作符是完全避免的。作为第一项将1D Self-ONNs用于分类任务的研究，我们在MIT-BIH心律失常基准数据库上的结果表明，1D Self-ONNs可以以显著的优势超过1D CNN，同时具有类似的计算复杂度。根据AAMI建议，使用最少的常用训练数据，在整个MIT-BIH数据集上，1D Self-ONN在室上性和室性异位搏动（VEB）分类上分别实现了98%和99.04%的平均准确度，76.6%和93.7%的平均F1评分，这是有史以来报告的最高性能水平。
2021-09-30 cs.LG eess.SP
Representation Learning for Appliance Recognition: A Comparison to Classical Machine Learning
非侵入式负载监控（NILM）旨在借助信号处理和机器学习算法，从聚合的消耗测量中检索能耗和设备状态信息。深度神经网络的表示学习已成功应用于多个相关学科。表示学习的主要优点在于用从原始数据格式的许多表示中进行的分层学习来取代专家驱动的手工特征提取。在本文中，我们展示了如何改进NILM处理链，降低复杂性，并与最近的深度学习算法交替设计。在基于事件的家电识别方法的基础上，我们评估了七种不同的分类模型：基于手工特征提取的经典机器学习方法，用于原始波形数据自动特征提取的三种不同深度神经网络架构，以及用于原始数据处理的三种基线方法。我们在两个大规模的能源消耗数据集上评估了所有方法，这些数据集包含44个设备的50，000多个事件。我们表明，通过使用深度学习，我们能够达到并超过最先进的经典机器学习方法用于家电识别的性能，其F-Score为0.75和0.86，而经典方法为0.69和0.87。
2022-08-26 cs.AI cs.LG eess.SP
Swarm Characteristic Classification using Robust Neural Networks with Optimized Controllable Inputs
Naval Postgraduate School（海军研究生院）
本文针对不确定作战场景下群体战术分类问题，通过构建多样化数据集训练鲁棒神经网络，并提出优化防御者轨迹以最大化分类准确率的部署框架。
2025-02-05 cs.LG
A Fuzzy-Enhanced Explainable AI Framework for Flight Continuous Descent Operations Classification
University of Wolverhampton（伍尔弗汉普顿大学）；Qatar Civil Aviation Authority（卡塔尔民航局）；University of Surrey（萨里大学）
针对CDO性能影响因素研究有限及现有方法缺乏透明度的问题，提出FEXAI框架，结合模糊逻辑、机器学习与SHAP分析，实现CDO分类及可解释规则提取，准确率超90%，为航空决策支持提供新途径。
2025-08-20 cs.LG
Subtask Gated Networks for Non-Intrusive Load Monitoring
Encored Technologies（Encored科技公司）；Sungkyunkwan University（成均馆大学）；Seoul National University（首尔国立大学）
非侵入式负载监测（NILM），也称为能量分解，是一种盲声源分离问题，其中家庭的总电力消耗被分解为各个电器的电力使用。这样，可以避免在众多家用电器上安装许多测量装置的成本和麻烦，并且只需要安装一个装置。自1992年Hart的开创性论文以来，这个问题一直是众所周知的，最近通过采用深度网络实现了显着的性能改进。在这项工作中，我们专注于设备具有开/关状态的想法，并开发一个深度网络以进一步提高性能。具体来说，我们提出了一个子任务门控网络，它结合了主回归网络和开/关分类子任务网络。与典型的多任务学习算法不同，在典型的多任务学习算法中，多个任务简单地共享网络参数以利用任务之间的相关性，子任务门控网络将主网络的回归输出乘以子任务的分类概率。当备用电源被额外学习时，所提出的解决方案超过了大多数基准测试情况下的最先进性能。子任务门控网络可以非常有效的任何问题，固有的开/关状态。
2018-11-16 cs.LG stat.AP stat.ML
Non-Intrusive Load Monitoring Based on Image Load Signatures and Continual Learning
Tashkent State Technical University（塔什干国立技术大学）；Wuhan University（武汉大学）
针对NILM特征鲁棒性与泛化不足的问题，本文将多维电力信号转为图像负荷签名，结合深度卷积网络、自监督预训练和持续在线学习实现多设备识别，并在高采样率数据集上验证准确率显著提升。
2025-06-07 cs.AI cs.CV cs.LG
Decentralised Semi-supervised Onboard Learning for Scene Classification in Low-Earth Orbit
AI Sweden（瑞典人工智能研究所）
针对低轨卫星场景分类，提出分散式半监督星上学习方法，考虑运行约束，在一天内达到约91%精度。
2023-05-06 cs.DC cs.LG cs.MA
Transferability and operational reliability of a Prithvi crop classification foundation model under phenological and geographic shift across three continents
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；NASA Marshall Space Flight Center（NASA马歇尔太空飞行中心）
研究评估Prithvi作物分类基础模型在三大洲的分布外性能，发现物候错位导致精度下降，通过类别合并和窗口压缩可恢复精度，为模型可靠部署提供指导。
2026-10-08 cs.AI cs.LG
GAMMA_FLOW: Guided Analysis of Multi-label spectra by MAtrix Factorization for Lightweight Operational Workflows
Application Lab for AI and Big Data（人工智能与大数据应用实验室）
该研究提出开源Python包GAMMA_FLOW，通过监督式非负矩阵分解（NMF）实现光谱数据实时分析，分类准确率超90%，适用于多种一维光谱，为科研和工业提供轻量高效的替代方案。
2025-11-12 cs.LG physics.data-an
Threat Classification on Deployed Optical Networks Using MIMO Digital Fiber Sensing, Wavelets, and Machine Learning
Nokia Bell Labs（诺基亚贝尔实验室）；LTCI, Télécom Paris（巴黎高等电信学院LTCI实验室）
本文利用MIMO数字光纤传感输出的小波变换和迁移学习，在57公里运营光网络上实现了手提钻和挖掘机等机械威胁分类，现场数据准确率达93%。
2024-09-05 cs.LG eess.SP
Neural Network Ensembles to Real-time Identification of Plug-level Appliance Measurements
University of Stuttgart（斯图加特大学）
从其个人消耗简档识别最终用途电器的问题（称为电器识别问题）是非侵入式负载监测（NILM）和自动化插头式计量两者中的主要阶段。因此，电器识别已经接受了专门的研究与各种电器签名，分类模型和评估数据集。在本文中，我们提出了一个神经网络集成的方法来解决这个问题，使用高分辨率的测量。这些模型是在原始电流和电压波形上训练的，因此不需要精心设计的电器签名。我们从55个住宅建筑，11个家电类别，和超过1000个测量公开可用的家电数据集上评估所提出的模型。我们进一步研究了训练模型在训练数据集、采样频率和设备稳态操作变化方面的稳定性。
2018-02-20 cs.AI cs.LG eess.SP
Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks
Izmir University of Economics（伊兹密尔经济大学）；Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）；Iowa State University（爱荷华州立大学）
现代电动旋转机械（RM）的预防性维护对于确保可靠运行、防止意外故障和避免昂贵的维修至关重要。最近，许多研究调查了机器学习监测方法，特别是基于深度学习网络，主要集中在检测轴承故障;然而，他们都没有解决轴承故障严重程度分类，早期故障诊断具有足够高的准确性。一维卷积神经网络（CNN）确实取得了良好的性能，从原始的振动和电流信号检测RM轴承故障，但没有分类故障的严重性。此外，最近的研究已经证明了传统CNN的学习能力的局限性，这归因于基本的潜在线性神经元模型。最近，提出了操作神经网络（ONNs），以通过引入非线性神经元模型和网络配置中的进一步异质性来增强CNN的学习能力。在这项研究中，我们提出了一维自组织ONNs（自ONNs）与生成神经元轴承故障严重程度分类，并提供连续的状态监测。在基准NSF/IMS轴承振动数据集上使用x轴和y轴振动信号进行内圈和滚动体故障的实验结果表明，所提出的1D Self-ONNs与具有类似计算复杂性的最新技术（1D CNN）相比实现了显著的性能差距。
2021-09-30 cs.AI cs.LG
ESimCSE Unsupervised Contrastive Learning Jointly with UDA Semi-Supervised Learning for Large Label System Text Classification Mode
China Telecom Corporation Limited Chongqing Branch（中国电信集团有限公司重庆分公司）
针对大标签体系文本分类中标签多、分布不均和噪声高的问题，提出联合训练ESimCSE与UDA并引入FGM、PGD对抗训练，显著提升公开及业务数据集准确率。
2023-04-19 cs.CL cs.LG
Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model
本研究比较SVM、随机森林、逻辑回归及CNN-LSTM等机器学习分类模型在工业预测性维护中的性能，以准确率、精确率、召回率和F1分数评估，旨在帮助维护专家选择最优算法预测机器故障。
2024-03-15 cs.AI cs.LG
Physics-Aware Learnability: From Set-Theoretic Independence to Operational Constraints
Institute for Convergence Research and Education in Advanced Technology（融合研究中心暨先进技术教育研究所）；Yonsei University（延世大学）；Department of Quantum Information（量子信息系）；Department of Statistics and Data Science（统计与数据科学系）
本文提出物理意识可学习性概念，通过引入明确的物理协议模型，解决传统可学习性定义中的逻辑脆弱性问题，并在量子数据和有限无信号模型中实现了可判定性。
2026-02-28 cs.LG quant-ph
SRL-SOA: Self-Representation Learning with Sparse 1D-Operational Autoencoder for Hyperspectral Image Band Selection
Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与传播科学学院）；Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程学院）；Tietoevry Oy（泰托埃弗里公司）
本文提出SRL-SOA框架，利用带非线性神经元的稀疏一维运算自编码器学习稀疏表示并进行HSI波段选择，在Indian Pines和Salinas-A上取得优于对比方法的分类精度。
2022-02-20 cs.CV cs.LG
DeepRepair: Style-Guided Repairing for DNNs in the Real-world Operational Environment
Kyushu University（九州大学）；Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
深度神经网络（DNN）由于其高性能（例如，图像分类准确度高）。然而，部署后经过良好训练的DNN在操作环境中的实际使用期间可能经常会由于训练数据集的分布与操作环境中的潜在未知噪声因素之间的不匹配而引起错误，例如，天气、模糊、噪声等。因此，它为DNN的实际应用提出了相当重要的问题：如何修复所部署的DNN以校正故障样本（即，不正确的预测），同时不损害它们处理正常或干净数据的能力。在实际工作中，由于运行环境中的噪声因素，我们能够收集到的故障样本数量往往是有限的。因此，如何在有限的故障样本下修复更多的相似故障是一个相当具有挑战性的问题。本文提出了一种基于样式引导的数据增强方法，用于在可操作环境下修复DNN。我们提出了一种风格转移方法，通过数据增强来学习和引入故障数据中的未知故障模式到训练数据中。此外，我们进一步提出了基于聚类的故障数据生成更有效的风格引导的数据增强。我们对现实世界中可能发生的15个退化因素进行了大规模评估，并与四种最先进的数据增强方法和两种DNN修复方法进行了比较，证明我们的方法可以显着增强操作环境中损坏数据上部署的DNN，并且在干净数据集上具有更好的准确性。
2020-11-19 cs.AI cs.CV cs.LG
Curate-Train-Refine: A Closed-Loop Agentic Framework for Zero Shot Classification
Diabolocom（迪波利科姆）；University of Mons（蒙斯大学）
Curate-Train-Refine通过LLM闭环生成和评估提升零样本分类效率与准确性。
2026-01-23 cs.CL cs.LG
SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification
Ant Group（蚂蚁集团）
研究针对智能体人工智能系统操作威胁，提出NSFA分类法构建基准套件，开发双模式方法，发布四个不同参数模型，在基准测试和跨源评估中表现出色，证明方法可扩展性与通用性。
2026-07-16 cs.AI cs.CL cs.CR
OSegNet: Operational Segmentation Network for COVID-19 Detection using Chest X-ray Images
Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与传播科学学院）；Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程学院）
针对COVID-19检测中数据稀缺和深度网络决策不可靠的问题，提出OSegNet分割网络，扩展QaTa-COV19数据集至121,378张CXR图像，实现99.65%准确率和98.09%精确率。
2022-05-30 cs.CV cs.LG eess.IV
A Cycle GAN Approach for Heterogeneous Domain Adaptation in Land Use Classification
Université de Bretagne Sud（南布列塔尼大学）；IRISA（法国信息与随机系统研究所）；CNES（法国国家空间研究中心）；Thales Alenia Space（泰雷兹阿莱尼亚宇航公司）
在遥感领域，特别是在地球观测领域，每天都有来自不同传感器的新数据。在分类任务中利用这些数据是以密集的标签任务为代价的，这些任务在操作环境中是不现实的。虽然域自适应可能有助于平衡这个问题，但大多数常用方法都假设要自适应的数据是可比较的（它们属于相同的度量空间），而当多个传感器处于危险之中时，情况并非如此。异构域自适应方法是解决这个问题的一种特殊方法。我们提出了一种新的方法来处理这种情况下，基于修改后的cycleGAN版本，其中包括分类损失和度量空间对齐项。我们展示了它在土地利用分类任务上的强大功能，使用来自Google Earth和Sentinel-2的图像。
2020-04-22 cs.CV cs.LG eess.IV
Machine Learning for Cloud Detection in IASI Measurements: A Data-Driven SVM Approach with Physical Constraints
研究利用机器学习中的支持向量机方法，基于IASI观测进行云检测，通过多因素分析和训练评估，提出CISVM框架，最佳配置与业务云参考一致性达88.52%，为未来高光谱红外任务提供了业务基线。
2026-07-28 cs.LG physics.ao-ph
VAE-based latent-space classification of RNO-G data
Uppsala University（乌普萨拉大学）
本文提出利用变分自编码器潜空间对RNO-G射电中微子探测器数据中的噪声事件进行分类，并在噪声与静默台站数据上实现多类事件的自动检测与定性分离。
2023-09-28 astro-ph.HE astro-ph.IM cs.LG
Unsupervised classification of simulated magnetospheric regions
Ruhr-Universität Bochum（波鸿鲁尔大学）；KU Leuven（鲁汶大学）；University of New Hampshire（新罕布什尔大学）
在磁层飞行任务中，突发模式数据采样应在有科学或操作意义的过程时触发。我们提出了一个无监督的磁层区域的分类方法，这可能构成的第一步的多步方法自动识别感兴趣的磁层过程。我们的方法是基于自组织映射（SOM），我们初步测试的数据点从全球磁层模拟与OpenGGCM-CTIM-RCM代码。在分类之前，用主成分分析法对数据进行降维。分类完全依赖于在选定的数据点的局部等离子体特性，没有关于它们的邻域或它们的时间演化的信息。我们分类的SOM节点到一个自动选择的类的数量，我们得到的集群映射到定义明确的磁层区域。我们验证我们的分类结果绘制的分类数据在模拟空间，并通过比较与K-均值分类。为了结果的可解释性，我们检查SOM特征图（磁层变量在分类的上下文中被称为特征），我们用它们来解锁集群上的信息。我们使用不同的特征集重复分类实验，定量比较不同的分类结果，并深入了解哪些磁层变量可以成为无监督分类的更有效特征。
2021-09-10 astro-ph.IM cs.LG physics.geo-ph
