温室模型的可移植性自适应架构
摘要：温室模型的可移植性及其在生产条件下的实际应用中所面临的挑战是我们所关注的问题。我们通过适应性神经网络来解决这个问题，当这些模型在新环境下被转移时，它们会重新调整权重。这种适应性的计算模型是发展机器人技术领域的典型代表，该领域研究受婴儿发育启发的人工系统中的运动控制学习。与机器人类似，温室是由技术和生物元素组成的复杂系统，其状态可以通过控制措施进行测量和修改。我们提出了一种自适应的模型架构，用于在温室模型上进行在线学习。这个学习过程利用了一个事件记忆和在线重新训练。这样做可以实现在没有充足新条件下数据的情况下进行适应，从而避免了需要完全重新训练的情况。目前的实验重点研究了一个在研究设施中开发的番茄光合作用模型如何适应在生产温室中的新环境。进一步的研究将着重于通过自适应学习率和管理本文中描述的事件记忆来实现模型的可塑性。所呈现的模型是通过使用气候测量数据来估算水培番茄作物的蒸腾和光合作用的。这些模型使用来自德国柏林的一个温室的数据进行训练和测试。然后，这种自适应架构被用来处理来自德国南部一个生产温室的数据，该温室使用不同的灌溉和气候策略种植其他番茄品种。提出的自适应架构代表了将高科技研究中心生产的模型应用于温室生产领域的一个有前景的工具。
作者：Luis Miranda, Guido Schillaci
论文ID：1908.01643
分类：Other Computer Science
分类简称：cs.OH
提交时间：2019-08-13