摘要
物联网通过收集不同来源的数据,运用机器学习和深度学习算法来支持智能城市应用程序。然而,传感器收集的数据通常可能存在噪声、冗余或空数据,影响算法性能。为解决此问题,文章提出了一种基于深度强化学习的框架,用于优化物联网传感器数据分析。该框架使用深度Q网络代理来进行传感器数据清理,并将数据分为3类:空、垃圾和正常。实验结果表明,该框架优于基于时间序列的完全连接神经网络方案,准确率约为96%。通过使用深度强化学习进行物联网传感器数据清理,本研究可以有效消除不相关和有害数据,提高应用程序性能。
This study introduces a deep reinforcement learning framework for sensor data analysis optimization in the Internet of Things(IoT).It addresses issues with noise,redundancy,and empty data impacting performance.Deep Q network proxies are used for sensor data cleaning,sorting data into empty,garbage,and normal categories.This framework surpasses time-series based fully connected neural networks,achieving about 96%accuracy.By using deep reinforcement learning for IoT sensor data cleaning,irrelevant and harmful data can be mitigated,enhancing application performance.
作者
何伶俐
He Lingli(Hubei Light Industry Technology Institute,Wuhan 430070,China)
出处
《无线互联科技》
2023年第16期8-11,共4页
Wireless Internet Technology
关键词
物联网
深度强化学习
传感器数据分析
数据清理
Internet of Things
deep reinforcement learning
sensor data analysis
data cleaning