Oct, 2023

用 Transformer 学习解决气候传感器布置问题

PDF
TL;DR利用深度强化学习方法自动学习改进性启发式算法，提出一种针对环境监测和灾害管理的传感器布置方法，与现有方法相比，证明了其在生成高质量解决方案方面的有效性和优越性，为应用先进的深度学习和强化学习技术解决关键气候传感器布置问题提供了有希望的方向。
sensor placementenvironmental monitoringdisaster managementdeep reinforcement learningclimate sensor placement
发现论文，激发创造
  • 流网络学习的传感器布置

    研究了基于流量守恒假设下的传感器放置问题，提出了一种高效自适应的贪心启发式算法，并通过实验结果证明该方法能够比现有方法更准确地推断出网络中缺失的测量值，尤其在只有少量传感器可用时，考虑不完全或不准确的基准估计结果能够大大提高预测误差。

    Dec, 2023

  • 设备放置优化与强化学习

    本文提出了一种使用序列到序列模型来预测 TensorFlow 计算图中哪些操作应该在哪些可用设备上运行的方法，并以预测的放置方式的执行时间作为奖励信号来优化序列到序列模型参数，结果表明在基于 Inception-V3 的 ImageNet 分类和基于 RNN LSTM 的语言建模和神经机器翻译的任务中，使用该模型能够发现优于手动设置和传统算法方法的设备放置方案。

    Jun, 2017

  • 优化多覆盖感知网络设计

    传感器布置优化方法研究广泛，但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖，从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络，并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本，相关地，我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后，我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。

    May, 2024

  • 复杂环境中高效稳健的传感器布置

    在复杂环境中，我们解决了高效和无障碍监视或通信的问题，通过使用最少数量的传感器覆盖环境，并考虑对传感器故障或对抗性攻击具有鲁棒性的解决方案。我们提出了一种贪婪算法来实现多覆盖约束的最小传感器集设计目标，并探索了使用深度学习技术加速贪婪算法中目标函数的评估。神经网络的训练揭示了数据的几何特性显著影响网络性能，特别是在最后阶段。通过考虑这些特性，我们讨论了使用贪婪算法和 ϵ- 贪婪算法生成数据的差异及其对网络的鲁棒性的影响。

    Sep, 2023

  • 提升物联网智能性：基于 Transformer 的强化学习方法

    通过将 transformer 架构与 Proximal Policy Optimization（PPO）相结合，本文引入了一种新颖的框架来解决物联网应用中复杂环境下智能决策中的挑战，通过利用 transformer 的自注意机制，增强了强化学习代理在动态物联网环境中的理解和行动能力，从而提高了决策过程的效率。通过在智能家居自动化和工业控制系统等各种物联网场景中进行实证实验证明了该方法的有效性，显示了决策效率和适应性的显著提高。该研究的贡献包括对处理异构物联网数据中 transformer 的作用进行详尽的探索，对框架在不同环境中性能的全面评估，以及与传统强化学习方法进行的基准测试。结果表明该方法显著提高了强化学习代理在物联网生态系统中应对复杂性的能力，凸显了该方法在物联网领域智能自动化和决策制定领域的潜力。

    Apr, 2024

  • 基于超级本地气象预测的动态导线额定功率：一种机器学习方法

    利用机器学习技术和超局部天气预报数据，本研究提出了一种新颖的方法来解决传统动态线路额定容量（DLR）方法中遇到的挑战，采用传感器数据无法灵活应对快速变化的天气条件等问题，进而提高可再生能源与输电网的集成效率和可靠性。通过整合地形数据，该方法还能增强预测准确性，考虑电力线周围的地形特征和障碍物。通过在爱沙尼亚进行案例研究，论文展示了所提出方法在实际场景中的有效性，从而完善了过去传感器基础方法的局限性，并为可再生能源与输电系统的集成问题做出了贡献。

    May, 2024

  • 使用数据生成接近最优控制区域温度的深度强化学习策略

    通过在基于物理一致的神经网络 (PCNNs) 上评估 DRL 代理，我们证明了 DRL 代理比基于规则的控制器表现更好，并且实现了接近最优的表现，从而提高了建筑行业的能效

    Mar, 2022

  • 深度强化学习（DRL）：无监督无线定位的另一种视角

    本文提出了一种基于深度强化学习的无监督无线定位方法，通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中，以克服使用未标记数据进行定位时奖励的获取难题，并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入，为 IoT 数据的空间化提供了新思路。

    Apr, 2020

  • 稀疏感知中的场重构：可微传感器布置增强泛化能力

    通过差分编程在神经网络模型的训练中利用传感器放置来改善场重建，我们的方法有潜力显著提高数据收集效率，实现更全面的区域覆盖，并减少传感器部署的冗余。

    Dec, 2023

  • 利用深度学习对无线传播路径进行室外环境重建

    通过分析射频（RF）数据，本文提出了一种利用环境无线信号对室外环境进行重建的新方法，通过选定的深度学习技术在合成射频数据集 WAIR-D 上进行研究，评估了两种基于深度学习的方法，在性能评估中使用了交集 - 并集（IoU），豪斯多夫距离和切菲尔德距离等指标，结果显示基于射频的重建方法具有良好的性能，为轻量级和可扩展的重建解决方案铺平了道路。

    Feb, 2024