基于多元径向基函数神经网络的时间序列缺失填补
原文中文，约300字，阅读约需1分钟。发表于：。基于 RBFNN 的时间序列插补模型 MIM-RBFNN 学习本地信息并利用时间间隔以填充缺失值，提出了使用连续函数生成的连续函数的 MIRNN-CF 扩展，通过两个真实数据集的性能评估和比较 MIM-RBFNN 和 MIRNN-CF 进行了消融研究。
我们提出了一种新型的神经场，使用了一般径向基函数进行信号表示。该方法相比于现有的神经场方法，能够更好地适应目标信号，提高径向基函数的通道能力，并且通过混合自适应的径向基函数和基于网格的径向基函数，继承了自适应性和插值平滑性，取得了比现有方法更高的精确度和紧凑性。在2D图像和3D有向距离场表示中的实验证明了我们方法的优越性，并且在神经辐射场重建方面，我们的方法实现了与现有方法相媲美的渲染质量，具有较小的模型大小和可比较的训练速度。
