一、文献基础信息

标题：Recurrent Neural Network for Rain Estimation Using Commercial Microwave Links（利用商用微波链路的递归神经网络雨量估计）

作者：Hai Victor Habi

来源：IEEE Transactions on Geoscience and Remote Sensing，2021

DOI/链接：10.1109/TGRS.2020.3010305

分类标签：开题阶段-方法类-雨量估计方法RNN

二、文献核心内容

1. 研究问题：本文主要研究如何利用商业微波链路(CMLs)的信号衰减数据，通过循环神经网络(RNN)方法更准确地估计降雨率，并分析RNN方法与传统功率定律(PL)方法在性能、复杂度和鲁棒性方面的差异。

2. 核心方法：

• RNN架构设计：设计了两种RNN架构，一种是一步(OS)网络，直接输出降雨率估计；另一种是两步(TS)网络，先进行湿/干分类，再进行降雨率估计。两种架构均结合了动态数据路径（使用GRU处理时序数据）和静态数据路径（使用全连接层处理静态参数）。

• 损失函数设计：针对降雨率数据的不平衡性，设计了包含降雨分布因子(RDF)的损失函数，以校正降雨率分布的不平衡。

• 时间归一化(TN)层：引入TN层以控制RNN方法的性能与鲁棒性之间的权衡，通过动态计算输出特征的均值和方差来减少输入分布变化的影响。

3. 实验设计：

• 数据集：使用来自以色列和瑞典的实际CMLs测量数据，包括链路元数据和动态信号水平测量数据。

• 对比方法：对比了两种数据驱动方法（OSN和TSN）和两种基于PL的方法（动态基线和常数基线）。

• 评估指标：使用均方根误差(RMSE)作为性能评估指标，同时分析了估计的偏差（BIAS）。

• 鲁棒性评估：通过引入六种类型的信号污染和对抗样本（FGSM），评估了不同方法的鲁棒性。

4. 核心结果：

图1：比较了四种方法在不同噪声强度下的性能、以及鲁棒性指标

• 纵轴（左）：RMSE（均方根误差，单位mm/hr），值越低表示预测越准确。

• 纵轴（右）：鲁棒性指标（PF_gaussian），通过性能曲线下面积量化，绿色区域越大表示鲁棒性越强。

• 横轴：高斯噪声强度（σ，标准差），σ越大噪声越强。

图2：不同雨强条件下，四种方法的归一化均方根误差，以及标准化偏差

从图中可以看出：

①低降雨强度（0<y'≤1）：

• CONSTANT误差极大，不适用。

• DYNAMIC存在显著低估，可能需调整微雨参数。

• OSN和TSN误差较低且偏差可控，更适合微雨预测。

②高降雨强度（>25 mm/hr）：

• OSN在误差和偏差上均表现最优，适合极端天气预测。

• CONSTANT和DYNAMIC的偏差问题突出，需谨慎使用。

经过分析可得：数据驱动方法在相同训练区域的验证中表现出比PL方法更高的估计精度；PL方法在面对信号污染和对抗样本时表现出更强的鲁棒性，而数据驱动方法通过引入TN层可以显著提高其鲁棒性。

5. 局限性：

• 虽然TN层可以提高（RNN）数据驱动方法的鲁棒性，但牺牲一定的估计精度。
• RNN方法的计算复杂度显著高于PL方法。

三、与我的课题关联

1. 可复用内容：~

2. 待改进方向：~

3. 引用场景：~

四、疑问和待跟进

1. 疑问：~

2. 待跟进：对论文整体内容有所了解，但是对文中具体的方法不太清楚，如对抗性攻击的概念等比较模糊