
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于Mamba状态空间模型与跨传感器融合注意力的高效洪灾因子分类框架
《Scientific Reports》:Bidirectional selective state space learning with flood wave optimization for flood disaster factor classification in wireless sensor networks
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要从异构环境数据中进行洪灾因子分类,对于构建可靠的预警和应急响应系统至关重要。然而,现有的深度学习方法通常依赖于手动设计的信号分解流程,无法与分类器进行联合优化。基于Transformer的模型虽能捕捉长距离依赖关系,但引入了二次计算复杂度,限制了其在资源受限的无线传感器网
从异构环境数据中进行洪灾因子分类,对于构建可靠的预警和应急响应系统至关重要。然而,现有的深度学习方法通常依赖于手动设计的信号分解流程,无法与分类器进行联合优化。基于Transformer的模型虽能捕捉长距离依赖关系,但引入了二次计算复杂度,限制了其在资源受限的无线传感器网络网关中的适用性。此外,传统序列模型普遍采用固定的时间表示方式,对多种环境变量之间交互关系的建模能力有限。针对上述不足,本文提出了WSN-FloodMamba,一个面向九类洪灾因子分类的端到端框架。该框架集成了自适应分块标记器以实现模态感知的多分辨率表示、双向洪水选择性状态空间模型以实现线性复杂度的时序建模,以及跨传感器融合注意力机制以学习变量间的依赖关系。类别加权焦点损失用于缓解类别不平衡问题,而洪水波优化算法则通过物理启发的探索、开发与收敛阶段来搜索最优模型超参数。在Kaggle洪水预测数据集上的评估结果表明,所提出的框架取得了98.85%的准确率、97.62%的F1分数、96.10%的马修斯相关系数以及99.74%的宏平均AUC-ROC值。消融实验进一步验证了各模块的独立贡献。研究结果证明,WSN-FloodMamba作为高效且集成化的洪灾因子分类框架,在边缘辅助的洪水监测等未来应用场景中具有广阔的应用潜力。