Ovaj rad predstavlja metodu klasifikacije šumom narušenih nestacionarnih signala u vremensko-frekvencijskoj domeni korištenjem umjetne inteligencije. Naime, signali u obliku vremenskih nizova ...transformirani su nakon predobrade u vremensko-frekvencijske prikaze (TFR) iz Cohenove klase, rezultirajući TFR slikama korištenim kao ulaz u algoritme strojnoga učenja. Korištene su tri suvremene metode dubokoga učenja u obliku 2D arhitektura konvolucijskih neuronskih mreža (CNN) (ResNet-101, Xception i EfficientNet). Metoda je demonstrirana na zahtjevnom problemu detekcije signala gravitacijskih valova (GW) u intenzivnom stvarnom i nestacionarnom šumu koji nema karakteristike ni Gaussovog ni bijelog šuma. Rezultati pokazuju izvrsne performanse klasifikacije predloženoga pristupa s obzirom na točnost klasifikacije, površinu ispod krivulje značajke djelovanja prijamnika (ROC AUC), odziv, preciznost, F1-mjeru i površinu ispod krivulje preciznost-odziv (PR AUC). Nova metoda nadmašuje osnovni model strojnoga učenja treniran na podatcima u obliku vremenskih nizova s obzirom na razmatrane metrike. Istraživanje pokazuje da se predložena tehnika može proširiti i na različite druge primjene koje uključuju nestacionarne podatke u intenzivnom šumu.
Točno predviđanje vidljivosti ključno je za sigurne operacije zrakoplova. Ova studija ispituje kako različite konfiguracije modela slučajne šume (eng. Random Forest) mogu poboljšati predviđanja ...vidljivosti. Koriste se tehnike predprocesiranja, uključujući analizu korelacije za prepoznavanje temeljnih odnosa u promatranjima vremena. Podaci vremenskih nizova pretvaraju se u redoviti podatkovni okvir kako bi se olakšala analiza. Ova studija predlaže klasifikacijski okvir za organiziranje podataka o vidljivosti i meteoroloških pojava. Taj okvir se zatim koristi za razvoj prognoze vidljivosti korištenjem metode slučajne šume. Studija također prikazuje postupke za podešavanje hiperparametara, odabir značajki, uravnotežavanje podataka i procjenu točnosti za taj skup podataka. Glavni rezultati su parametri modela slučajne šume za trosatnu prognozu vidljivosti te analiza pogrešaka prognoze slabe vidljivosti. Dodatno, ispitani su i modeli za jednosatnu prognozu i prognozu vidljivosti u slučaju oborine. Dobiveni modeli pokazuju točnost determinističke prognoze od približno 78%, uz oko 6% lažnih uzbuna, dajući sveobuhvatan pregled mogućnosti modela slučajne šume za predviđanje vidljivosti. Kao što se i očekivalo, model je pokazao ograničenja pri simulaciji brzog radijacijskog hlađenja i pri naglom smanjenju vidljivosti uzrokovanom oborinama. Naime, u odnosu na oborine, točnost modela je bila 79%, ali stopa lažnih uzbuna iznosila 19%. Dodatno, metoda slučajne šume postavlja temelje za poboljšanje točnosti prognoza uključivanjem dodatnih prognostičkih podataka, dok njezina primjena na skupove realnih podataka proširuje primjenu tehnika strojnog učenja na na meteorološke probleme.