从数据到 D3 模型：GPR 数据中的自适应地下异常检测

基于摘要分析。本文研究探地雷达（GPR）B-scan 数据中的地下异常检测，针对地下环境多变、标注有限，以及 learning in the model space（LMS）在单方向拟合、静态模型度量和手动调整方面的限制，提出在 dual-directional dynamic-captured（D3）模型空间中学习的方法；其主要对象是地下探测数据，而非 EEG 或 BCI。 方法先对 GPR B-scan 数据分帧，在每帧内分别沿水平和垂直方向拟合，将双方向动态压缩为 D3 模型，以拟合模型而非原始数据作为后续学习的表征。随后引入参数化模型度量，并通过优化算法调整拟合过程及模型度量，目标是形成具有类别区分性的模型空间，用于异常检测与分类。摘要未说明拟合模型的具体数学形式、度量函数、优化目标及对标签的依赖程度，不能仅凭来源分类将其认定为某种特定 State Space Model 架构。 作者报告，GPR 数据实验支持该方法在实际应用中的优势，但摘要未提供数据集、样本规模、划分方式、对照方法或指标数值；实验协议、消融及统计信息尚未验证。复现需进一步核对分帧方式、双方向拟合定义、参数化度量及优化流程。 平台推测（待验证）：可考察的迁移机制是以局部拟合模型替代原始信号，并学习模型间距离，对应 EEG 中表征不稳定与标注有限的问题。该假设依赖局部动态可拟合、两个方向具有明确结构意义；GPR 的水平与垂直方向不能直接等同于 EEG 的时间与通道，需改造拟合方向和通道拓扑处理。低信噪比、小数据及跨被试差异可能导致拟合不稳或度量过拟合。一个可证伪的小实验是在固定 EEG 任务与相同被试内划分下，比较单时间方向拟合、加入有明确拓扑定义的第二方向拟合，以及固定与可学习度量的表现；这不是本文已验证的结果，相关 EEG 工作尚未检索确认。