面向温室模型可移植性的自适应架构

本研究探讨温室模型的可移植性问题，我们认为这是其在生产条件下控制策略中实际应用的挑战。我们通过自适应神经网络来解决该任务，其在迁移到新条件时重新调整权重。此类对计算模型的自适应处理是发育机器人学领域的典型做法，该领域研究受婴儿发育启发的人工系统运动控制学习。与机器人类似，温室是由技术与生物要素构成的复杂系统，其状态可通过控制动作测量与修改。我们提出一种自适应模型架构，用于对温室模型进行在线学习。该学习过程利用情景记忆与在线再训练，从而无需完全重新训练即可实现适应，若新条件下数据稀缺，完全重训可能不可行。当前实验聚焦于某研究设施开发的番茄光合作用模型如何自适应至生产温室的新环境。进一步研究将侧重于通过自适应学习率及本文所述情景记忆管理来实现模型可塑性。作为概念验证所提出的模型，以气候测量值作为输入，估算水培番茄作物的蒸腾与光合作用。模型使用来自德国柏林一座温室的数据进行训练与测试。此后，该自适应架构输入来自德国南部一座生产温室的数据，该处不同灌溉与气候策略下种植了其他番茄品种。所提出的自适应架构代表了将高科技研究中心产出的模型推广至温室生产部门的有前景工具。