基于深度强化学习的智能教室控制模型设计与实现

发布时间：2023-05-08 02:34

　　近年来,随着物联网相关技术的不断发展,智能教室,作为物联网技术重要应用之一,得到了学术界和产业界的广泛关注。不断进步的智能教室相关产品,给教室的布置、控制和使用带来了很大的便利,吸引很多高校开始建设智能教室项目。在使用中发现,随着设备控制的集中化、远程化,教室内设备依然需要使用者根据亲身的感受进行手动的控制。智能教室控制的核心,即对室内设备的智能化控制,要有效应对教室内环境的多变问题、设备多样化问题、用户行为习惯等多种挑战。为了解决智能教室控制的难题,本研究首先通过智能教室数据收集系统采集目标的环境数据,并结合高校数据库相关信息,对数据进行预处理及分析,形成结构化的教室原始数据集。基于原始数据集,本文提出了利用深度强化学习(Deep Reinforcement Learning,DRL)解决智能教室控制问题。借助强化学习平台及深度学习框架,综合多种智能教室环境参数,利用深度Q网络算法(Deep Q-Learning,DQN)的训练方式对智能教室控制模型进行训练。完成训练的模型能够根据当前教室的各项环境参数,结合教室当前状态,对教室内的设备进行有效控制,继而起到智能化控制教室设备,优化室...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景及意义
    1.2 智能教室国内外现状
    1.3 课题研究目标及内容
    1.4 论文组织结构
    1.5 本章小结
2 相关技术介绍
    2.1 智能教室简介
    2.2 数据存储技术
        2.2.1 MySQL数据库
        2.2.2 数据库性能优化技术
    2.3 深度学习
    2.4 强化学习
        2.4.1 马尔科夫决策过程
        2.4.2 Q-Learning算法
    2.5 深度强化学习
    2.6 开源深度学习框架Tensorflow
    2.7 OpenAI Gym平台
    2.8 本章小结
3 智能教室控制系统结构
    3.1 智能教室控制系统总体架构
    3.2 智能教室数据收集及控制系统
    3.3 本章小结
4 智能教室数据存储与预处理
    4.1 数据收集
    4.2 数据存储
    4.3 数据预处理
        4.3.1 数据预处理技术
        4.3.2 异源数据预处理
    4.4 针对DQN的数据再处理
    4.5 数据集分析
    4.6 使用者环境感受分析
    4.7 本章小结
5 基于DQN的智能教室控制模型研究
    5.1 问题建模
        5.1.1 状态建模
        5.1.2 动作空间建模
        5.1.3 回报建模
    5.2 基于深度强化学习的模型训练过程设计
    5.3 基于DQN的智能教室控制模型预训练
        5.3.1 算法流程
        5.3.2 网络结构
    5.4 基于DQN的智能教室控制模型再训练
        5.4.1 模型迁移
        5.4.2 算法流程
    5.5 本章小结
6 实验结果及分析
    6.1 实验环境及部署
    6.2 实验设计
    6.3 实验结果
    6.4 实验结果分析
    6.5 与其他控制方法的表现对比
    6.6 本章小结
7 总结与展望
    7.1 总结
    7.2 工作展望
参考文献
攻读硕士期间发表的论文
致谢



本文编号：3811810