从数据到模型：CuDeRes 模型空间中的三维 GPR 数据异常检测

基于摘要分析。本文研究探地雷达（GPR）的地下异常检测，针对正常训练数据有限及地下条件变化的问题，提出在 Cubic Decay Reservoir Network（CuDeRes）模型空间中比较数据块的方法。主要贡献是以每个数据块独立拟合得到的紧凑读出模型作为表征，而非直接比较原始 GPR 数据。 方法先将正常 GPR 数据分块，再分别用 CuDeRes 拟合。CuDeRes 包含三个具有空间衰减的储备池，用于捕捉数据中的多方向动态；拟合模型结合模型间距离构成模型空间，并汇集为“Model Depot”。对新采集数据采用相同的分块与拟合流程，通过与模型库的差异识别潜在异常，再在模型空间聚类以区分异常类型。摘要未给出空间衰减公式、拟合目标、模型距离、检测阈值或聚类算法，具体实现尚未验证。 作者报告，在真实 GPR 数据实验中，仅使用有限正常数据即可实现有效的异常检测；摘要未提供数据规模、划分、对照基线、评价指标或具体数值，因此尚不能判断性能优势及其稳定性。实验协议、消融及统计信息尚未验证；复现需要核对分块方式、储备池配置、读出拟合过程及模型库构建细节。 平台推测（待验证）：可迁移的假设是用局部信号的拟合模型表征动态，并相对正常参考库检测偏离，而非直接沿用 GPR 的三维空间结构。这可能对应 EEG 正常参考样本有限时的异常片段筛查，但不等同于 BCI 任务解码。模型库与模型距离机制可作为候选复用模块；EEG 的通道拓扑、时间结构和归一化方式需重新设计。低信噪比可能使拟合模型主要反映噪声，被试与通道差异可能被误判为异常，小数据也可能不足以覆盖正常变异。一个可证伪的小实验是在固定通道的被试内 EEG 中，仅用训练段正常片段建库，在独立测试段比较模型空间距离与原始特征距离对已标注异常片段的区分能力。已有相关 EEG 工作尚未检索确认。