基于非确定性思考下的城市规划新思维探讨

通过对城市规划编制与实施过程中的问题分析，提出非确定性城市规划思想的理念以及非确定性规划思想与确定性规划思想的差别，并在分析非确定性规划思想内涵的基础上，提出非确定性规划思想指导下的城市规划的新程式。     

强噪声背景下确定性谐波信号的模糊滤波

文章提出了一种在强背景噪声环境下对被淹没的谐波信号进行模糊滤波，从而恢复微弱目标信号的方法。在MATLAB环境下，先利用相干平均法，除去被测信号中的随机白噪声，对于有色噪声运用自适应神经模糊推理系统（ANFIS）的方法，对被测信号进行模糊滤波，在较低信噪比下，能较好的恢复出原始微弱信号。     

基于横纵向联合控制的多目标优化车辆跟驰研究

为解决车辆在拥堵环境中因车速波动较大所带来的跟驰平稳性较差、跟踪无效或不安全等问题,提出了基于车辆模型和深度强化学习的多目标优化跟驰方案。首先基于车辆横纵向动力学建立车辆跟驰模型,然后根据车间距误差、速度误差、横向偏差及相对偏航角等,利用深度确定性策略梯度算法得到跟驰车的加速度和转向角,以更平稳安全地控制跟驰车辆。经NGSIM公开驾驶数据集进行测试与验证,该方案可有效地提升跟驰车辆的稳定、舒适与安全性,对保证交通安全和提升道路通行能力具有重要意义。     

证券市场中庄家与散户间的确定性微分博弈

基于确定性微分博弈理论,建立了一种庄家与散户间的连续时间的博弈模型.首先将所有散户作为一个整体与庄家进行博弈,以博弈双方持股率的动态关系作为动态系统方程,并以此构建了一个确定性微分博弈模型; 然后运用开环纳什均衡和反馈纳什均衡分别求解出满足共态函数的常微分方程组和满足价值函数的Issacs - Bellman偏微分方程,以此得到庄家与散户博弈的开环纳什均衡策略和反馈纳什均衡策略.该结果可为金融监管部门监管证券市场和证券市场投资者买卖股票提供参考.     

基于特征迭代的云存储数据即时确定性删除方法

传统数据删除方法易受到云存储环境中大量近似特征的影响,产生冗余数据,导致加解密时间过长、密钥可用率较低,为此提出一种基于特征迭代的云存储数据即时确定性删除方法。首先,提取云存储数据中的冗余数据特征,对云存储下冗余数据进行分类,迭代直至收敛,实现冗余数据高性能删除;其次,采用加密机制实现云存储数据在网络用户间的安全共享,将原始数据密文切分为剩余密文和采样密文;最后,把不完整的剩余数据密文上传至云端,同时引入可信任第三方对取样密文进行保存,通过销毁取样密文实现数据即时确定性删除。实验结果表明,所提方法的数据密文拆分所用时间较短,且密钥可用率较高,可达90%,说明其方法能够有效满足云存储系统中对冗余数据或过期数据的确定性删除要求。     

癫痫脑电的递归确定性分析

利用排序递归图的分析方法对癫痫脑电进行了确定性(DET)的分析,得出癫痫头皮脑电(EEG)的DET高于健康EEG。DET特征的差异性在局部导联上更明显,局部导联的DET特征可以作为癫痫疾病的自动诊断特征。通过分析发作阶段和发作间隙皮层脑电(ECoG)的DET,得出整个频带的DET差别不大,而在beta频带,发作阶段的确定性明显高于发作间隙的DET。Beta频带的DET特征可以作为癫痫发作的预测特征。研究结果为癫痫疾病的自动诊断和癫痫发作预测提供了理论依据。     

联合补充库存的拉格朗日松弛与退火算法

针对确定性需求的联合生产补充(JRP)问题,有多种启发式算法,但这些算法或不能保证最优或计算复杂。本文利用现代优化方法模拟退火算法和拉格朗日松驰算法,设计出一种新的算法,通过算例表明该算法可得出较优的可行解,可以更有效地解决实际问题。     

从古典概率思想看中西文化价值观的差异

本文研究了古典概率思想的起源和主要意义,指出了等可能性或机会均等是古典概率思想的基本特征;并首次从中西方两大不同的文化价值观(机会均等和诚信)的角度,对中西方追求确定性的思想方法--"随机试验"(重复性)和"卜以决疑"(一次性)的重大差异,进行了分析、比较和探讨.     

基于情节经验回放的深度确定性策略梯度方法

强化学习中的连续控制问题一直是近年来的研究热点.深度确定性策略梯度(Deep Deterministic Policy Gradients,DDPG)算法在连续控制任务中表现优异.DDPG算法利用经验回放机制训练网络模型,为了进一步提高经验回放机制在DDPG算法中的效率,将情节累积回报作为样本分类依据,提出一种基于情节经验回放的深度确定性策略梯度(Deep Determinis-tic Policy Gradient with Episode Experience Replay,EER-DDPG)方法.首先,将经验样本以情节为单位进行存储,根据情节累积回报大小使用两个经验缓冲池分类存储.然后,在网络模型训练阶段着重对累积回报较大的样本进行采样,以提升训练质量.在连续控制任务中对该方法进行实验验证,并与采取随机采样的DDPG方法、置信区域策略优化(Trust Region Policy Op-timization,TRPO)方法以及近端策略优化(Proximal Policy Optimization,PPO)方法进行比较.实验结果表明,EER-DDPG方法有更好的性能表现.     

基于随机方差减小方法的DDPG算法

针对深度确定性策略梯度算法（DDPG）收敛速度比较慢,训练不稳定,方差过大,样本应用效率低的问题,提出了一种基于随机方差减小梯度方法的深度确定性策略梯度算法（SVR-DDPG）。该算法通过利用随机方差减小梯度技术（SVRG）提出一种新的创新优化策略,将之运用到DDPG算法之中,在DDPG算法的参数更新过程中,加入了随机方差减小梯度技术,利用该方法的更新方式,使得估计的梯度方差有一个不断减小的上界,令方差不断缩小,从而在小的随机训练子集的基础上找到更加精确的梯度方向,以此来解决了由近似梯度估计误差引发的问题,加快了算法的收敛速度。将SVR-DDPG算法以及DDPG算法应用于Pendulum和Mountain Car问题,实验结果表明,SVR-DDPG算法具有比原算法更快的收敛速度,更好的稳定性,以此证明了算法的有效性。