5、智能城市中的认知计算与强化学习模型

智能城市中的认知计算与强化学习模型

众包与认知计算引入

如果专门指定一个人与机器进行通信，将会花费大量的时间和人力。而众包可以让设备和思想的表达看起来更加自然。以视频游戏Foldit为例，在这个游戏中，会提供一个目标蛋白质，玩家需要使用不同的氨基酸将这个蛋白质逐块组合起来。玩家会自愿参与氨基酸的组装过程，并且当有足够多的参与者时，这群业余玩家的集体智慧可能会超过一组专业人员。这种技术通过专门的认知计算软件，使人类能够下意识地与机器建立联系，从而提高机器在特定应用领域的智能水平。众包过程中，参与者无意识地提供了各种信息，这减少了基于数据的认知学习需求，同时也引入了一种新颖的数据处理方法。

认知计算强化学习模型架构

一个具有内在适应性和可扩展性的认知计算系统，该系统利用各种传感器的数据来支持多个基于认知计算的用例。其架构旨在减少为每个用例开发独特设置的工作量。该架构主要由智能城市框架、物联网层、数据层、认知计算层和服务层这五个支柱构成。

RL 赋能的认知计算系统描述

• 服务提供商 ：负责收集原始环境数据，数据收集者可以是传感器、智能设备或公民志愿者。原始数据可以通过这些服务提供商发送到服务器，输入形式可以是文本、图像、声音或视频。
• 中央服务器 ：在设计中起着至关重要的作用，是所有数据的存储库。它可以接受来自多个服务提供商的信息，在接收到数据后，会对其进行处理，只保留有效数据，丢弃无效或异常数据。同时，会实时响应服务寻求者的请求。
• 服务寻求者 ：通常是终端用户，他们可