47、风速时间序列插补与低成本肌电控制机器人手：技术融合与创新应用

风速时间序列插补与低成本肌电控制机器人手：技术融合与创新应用

1. 风速时间序列插补相关技术

在时间序列数据中，常常会出现 NA 值，其产生原因多种多样，如数据传输错误、机器故障或人为失误等。针对这些 NA 值的估计，有单变量和多变量技术。其中，最基本的是基于均值或众数的方法，更先进的则包括使用机器学习的方法，如 BRITS、GRU - D 等。

1.1 深度学习

深度学习是基于数据表征同化的更广泛机器学习方法的一部分。各种深度学习架构，如深度神经网络、卷积神经网络和循环神经网络，已应用于计算机视觉、自动语音识别、时间序列预测等领域，并且比其他机器学习架构能产生更好的结果。深度学习算法与浅层学习算法的区别在于，信号从输入层传播到输出层时所应用的变换数量，每个变换都包含可作为权重和阈值进行训练的参数。

1.2 数据增强

在深度学习工作中，当模型训练阶段没有足够的历史数据时，数据增强可用于克服欠拟合或过拟合问题。即使模型没有欠拟合或过拟合问题，数据增强也能丰富数据并改善预测结果。在时间序列中，最著名的数据增强技术包括时间扭曲、旋转、缩放和抖动。

1.3 基准模型

为了比较所提出模型的结果，使用了以下基准模型：
- 局部最近邻平均（LANN） ：这是一种单变量时间序列插补技术，在短间隙情况下能产生很好的结果。其主要优点是简单性，只需要距离 NA 值间隙最近的两个值。若 NA 值位于位置 i，则该技术使用位置 i - 1 的前一个值和位置 i + 1 的下一个值。计算公式为：
[NA = x_i = \frac{x_{i - 1} + x_