基于 DQN 的上下文感知自适应抽样用于智能数据采集系统
机器学习
2025-04-15 v1
摘要
多传感器系统在物联网、环境监测和智能制造中广泛应用。然而，传统的固定频率抽样策略常导致严重的数据冗余、高能耗和适应性有限，无法满足复杂环境的动态感知需求。为此，本文提出一种基于 DQN 的多传感器自适应抽样优化方法。通过利用强化学习框架来学习最优抽样策略，该方法在数据质量、能源消耗和冗余度之间进行平衡。我们首先将多传感器抽样任务建模为马尔可夫决策过程（MDP），然后采用深度 Q 网络进行抽样策略优化。在 Intel Lab 数据集上的实验表明，与固定频率抽样、阈值触发抽样及其他强化学习方法相比，DQN 在提高数据质量方面显著优于，同时降低了平均能源消耗和冗余率。此外，在异构多传感器环境中，DQN 基于自适应抽样显示出增强的鲁棒性，即使在干扰因素存在的情况下，仍能保持卓越的数据收集性能。这些发现表明，DQN 基于自适应抽样可以提高多传感器系统的整体数据获取效率，为高效和智能感知提供了一种新方法。
引用
@article{arxiv.2504.09344,
title = {Context-Aware Adaptive Sampling for Intelligent Data Acquisition Systems Using DQN},
author = {Weiqiang Huang and Juecen Zhan and Yumeng Sun and Xu Han and Tai An and Nan Jiang},
journal= {arXiv preprint arXiv:2504.09344},
year = {2025}
}