基于强化学习的分布式安全预警系统研究

文中主要针对危险环境,设计了基于强化学习的分布式安全预警系统。其中,系统硬件选用FPGA作为边缘控制器构建分布式危险响应端,软件结合了多传感器数据融合技术和基于模型的强化学习算法进行环境参数预测与危险判断。首先,利用FPGA连接RL78/G15传感器阵列作为边缘控制器,进行环境参数的准确采集和高速并行运算;其次,应用基于支持度的算法对多组传感器阵列的检测值进行数据融合;最后,改进基于模型的强化学习算法,结合蒙特卡洛树搜索进行数据预测以及危险判断。仿真结果显示,系统有效地减轻了计算任务,同时提高了准确性。

基于预测数据特征的空气质量预测方法

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。