11:43
官方账号arXiv cs.LG@Mariela De Lucas Álvarez, Melvin Laux, Arthur de Freitas Precht, Maurice Martin, Edoardo Caroselli, Frank Kirchner, Alexander Fabisch
精选
推荐理由：这篇论文教你如何用深度学习分解陀螺仪偏差校正的不确定性，还用了梯度归因来分析模型行为，适合做状态估计或故障检测的人参考。
1D CNN
共 1 条相关 AI 资讯
7月28日
11:43
论文提出一种基于1D卷积神经网络的深度学习框架，用于陀螺仪残差角速率校正。网络结合陀螺仪和星敏感器多传感器输入，输出均值校正并产生与输入相关的偶然不确定性，同时通过集成5个独立模型估计认知不确定性。在标称条件和含加性及时间相关噪声的结构化扰动下评估，梯度归因方法揭示校正和不确定性输出的证据分解。结果表明偶然不确定性随扰动强度增加，但校准不一致；认知不确定性在分布偏移时信号更清晰，能更好区分标称与扰动工况。