Adaptive Reinforcement Learning Models for Autonomous Resource Optimization
综述自适应强化学习在动态不确定环境下自主资源优化的框架、方法与应用。
数字农业与前沿技术
浏览数字农业与前沿技术相关政策、产业动态与研究。
技术筛选 · 已选 1 项
4 篇内容清除全部筛选
Energy-Aware Reinforcement-Driven Clustering Framework with Adaptive Processing for Sustainable IoT Sensor Networks
提出RECAP框架，用强化学习动态聚类与自适应处理延长农业物联网传感器网络寿命。
Reinforcement Learning加Visual SLAM融合高光谱成像实现精准农业UAV作物水分胁迫自动检测:92%检测率vs固定路径61%,飞行时间减32%
Arsalan Iqbal在《engrXiv》预印本平台发布研究,提出一种基于强化学习引导的自主四旋翼无人机平台,融合机载视觉同步定位与建图(Visual SLAM)与推扫式高光谱成像载荷,在近实时构建地理参考的、冠层配准的作物水分胁迫指数(CWSI)地图。平台采用近端策略优化(PPO)训练的自适应采样策略,根据飞行中积累的证据将飞行时间和传感器驻留时间重新分配到新兴水分胁迫区域。在0.8公顷试验田模拟田间试验中,强化学习引导策略实现了92%的水分胁迫区域检测率(固定网格基线为61%),同时任务飞行时间减少约32%。研究还报告了SLAM衍生的冠层结构对CWSI精度的贡献消融研究、田间复杂性敏感性和全误差预算分析。注:本研究为预印本,未经实地验证。
Adaptive Generalized Regressive Deep Convolutional Reinforcement Learning for Crop Yield Prediction in Smart Precision Farming
本文提出自适应广义回归深度卷积强化学习(AGR-DCRL)模型,用于智慧精确农业作物产量预测。模型由输入层、卷积层、池化层和密集层组成,IoT技术采集天气、土壤、农药使用数据。在卷积层,采用加权局部相似性插补和广义Tietjen-Moore检验进行缺失值处理和异常值检测;在池化层,采用Camargo自适应多样性指数进行特征选择;在密集层,通过多项式逻辑回归进行产量预测,采用softmax激活函数生成多类预测结果。实验结果表明,AGR-DCRL模型相比传统深度学习方法准确率提高4%,误差率降低69%,预测时间快20%。原文标题:Adaptive generalized regressive deep convolutional reinforcement learning for crop yield prediction in smart precision farming,作者:Preethi P、Devadas R M,适用于大规模产量预测数据集。