监督的机器学习方法需要在训练阶段最小化损失功能。顺序数据在许多研究领域中无处不在，并且通常通过为表格数据设计的基于欧几里得距离的损失函数处理。对于平滑的振荡数据，这些常规方法缺乏对同时惩罚幅度，频率和相位预测误差的能力，并且倾向于偏向振幅误差。我们将表面相似性参数（SSP）作为一种新型损耗函数引入，对于平滑振荡序列的训练机器学习模型特别有用。我们对混沌时空动力学系统进行的广泛实验表明，SSP有益于塑造梯度，从而加速训练过程，减少最终预测误差，增加重量初始化的鲁棒性以及与使用经典损失功能相比，实施更强的正则化效果。结果表明，新型损失度量的潜力，特别是对于高度复杂和混乱的数据，例如由非线性二维Kuramoto-Sivashinsky方程以及流体中分散表面重力波的线性传播所引起的数据。
translated by 谷歌翻译
我们介绍了DLR行星立体声，固态激光雷达，惯性（S3LI）数据集，记录在埃特纳山上，西西里山（Sicily），一种类似于月球和火星的环境，使用手持式传感器套件，适用于适用于空间上的属性 - 像移动漫游器。环境的特征是关于视觉和结构外观的具有挑战性的条件：严重的视觉混叠，对视觉大满贯系统执行位置识别的能力构成了重大限制，而缺乏出色的结构细节，与有限的视野相连在利用的固态激光雷达传感器中，仅使用点云就挑战了传统的激光雷达大满贯。借助此数据，涵盖了在软火山斜坡上超过4公里的旅行，我们的目标是：1）提供一种工具来揭示有关环境的最先进的大满贯系统的限制，而环境并未广泛存在可用的数据集和2）激励开发新颖的本地化和映射方法，这些方法有效地依赖于两个传感器的互补功能。数据集可在以下URL上访问：https：//rmc.dlr.de/s3li_dataset
translated by 谷歌翻译