20、智能农业与多模态语音跟踪：边缘到云计算连续体的应用探索

智能农业与多模态语音跟踪：边缘到云计算连续体的应用探索

1. 智能农业中的LSTM网络应用

在智能农业领域，边缘到云计算连续体的无缝集成已成为实现物联网架构各级数据处理和分析的可行解决方案。以温室监测和管理为例，通过集成长短期记忆（LSTM）神经网络来处理缺失和异常的传感器数据。

1.1 LSTM网络对温室参数的估计与异常检测

通过实验，对比了LSTM估计值和温室状态各参数的测试值，包括温度、湿度、光照和二氧化碳浓度等。为了检测异常，将温室状态第i个参数测量中的异常值设定为该参数测试平均绝对误差（MAE）的第99百分位数。
在不同类型噪声存在的情况下测试系统能力，使用了均匀分布（$n \sim U(a, b)$）和高斯分布（$n \sim N(\mu, \sigma)$）的噪声。实验结果如表1所示：
| 噪声类型 | 参数设置 | 召回率 | 精确率 | F - 度量 |
| — | — | — | — | — |
| 均匀噪声 | $a = 1.001, b = 1.05$ | 0.957 | 0.876 | 0.915 |
| 均匀噪声 | $a = 1.001, b = 1.15$ | 0.996 | 0.882 | 0.936 |
| 高斯噪声 | $\mu = 1.002, \sigma = 0.05$ | 0.985 | 0.885 | 0.932 |
| 高斯噪声 | $\mu = 1.002, \sigma = 0.15$ | 0.996 | 0.883 | 0.936 |

从表中可以看出，系统在识别真实异常（高召回率）和避免误报（高精度）方面表现出色，F - 度量值较高