机器学习在RoboCup中的应用研究

RoboCup is a particularly good domain for studying multi-agent systems.A wide variety of MAS issues can be studied in robotic soccer,in which the theory,algorithm and architecture of agent system can be evaluated.Because of the inherent complexity of MAS,there are many interests in using machine learning techniques to handle it.This paper investigates and discusses the machine-learning techniques used in RoboCup.The background is firstly presented and the application of machine learning in RoboCup is lately demonstrated with some top simulation teams.The machine-learning system in NDSocTeam is also introduced.Finally some open issues in this field are pointed out.     

一种混合型多概念获取系统

文章实现混合型多概念获取系统HMCAS(hybrid multi-concept acquisition system).无论在离散值或连续值输入下,HMCAS系统都可以实现增量式教师学习.HMCAS的核心算法HMCAP基于事例空间的概率分布,结合了符号学习和神经网络学习,能够以混合型判定树形式产生概念描述.HMCAS的原型系统已经成功应用于台风预测领域.     

快速神经网络分类学习算法的研究及其应用

提出了一种快速神经网络分类学习算法FTART2,该算法结合了自适应谐振理论和域理论的优点,学习速度快、归纳能力强、效率高,用UCI机器学习数据库中的两个数据集对FTART2与目前最流行的BP进行比较测试,实验结果表明前者的分类精度与学习速度均优于后者,还将FTART2算法应用于石油地质储层分析领域,取得了很好的效果。     

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点,针对回归估计问题的特性,提出了一种新型神经网络回归估计算法ＦＴＡＲＴ３．该算法学习速度快、归纳能力强,不仅具有增量学习能力,还克服了ＢＰ类算法需要人为设置隐层神经元的缺陷,直线、下弦、二维墨西哥草帽、三维墨西哥草帽等４个实验表明,ＦＴＡＲＴ３在函数近似效果和训练时间代价上都优于目前常用于因归估计问题的ＢＰ类算法。     

一种混合型多概念获取算法HMCAP及其应用

本文提出了一处混合型多概念获取算法的ＨＭＣＡＰ,它将符号学习ＣＡＰ算法的主要和ＢＰ神经网络有机结合,以状态在实例空间出现的概率为启发信息,以提供的混合实例集为分类依据,并具有增量学习能力。ＨＭＣＡＰ所依据的实例集既可具有离散属性又可有连续属性,并且能根据用户的要求得晃同精度的结合ＢＰ网的二叉多分类判定树。     

基于SMDP环境的自主生成options算法的研究

options是一种与SMDP模型紧密相关的引入时间抽象的强化学习算法,该算法一个重要且仍待解决的问题是如何能使agent自主找到合适的options.本文首先提出了一种基于访问落差变化率的子目标找寻算法,该算法克服了现有算法的低精确性和部分依赖人为因素的弊病.然后在该算法的基础上,提出了构造options的算法流程,并把这-算法运用于迷宫问题之中.实验结果表明利用实验生成的options可以大大加快学习的效率.     

BP神经网络容噪性分析及其应用

噪声无处不在，而样本中含有噪声会对神经网络学习的效果产生重要的影响，因此，对神经网络容噪性的研究具有重要的实际意义。通过实验分析了样本数据中噪声、噪声频率及样本数据各个属性的噪声频率的差异对BP神经网络学习性能的影响．文章最后分析了RoboCup的噪声模型，认为RoboCup的噪声是一种PRAV噪声，并设计了一种容噪BP神经网络，把其应用到RoboCup的五类截球动作中，取得了好的效果。     

仿真机器人足球赛中团队协作方法的研究

1.引言团队协作(teamwork)的研究跨越商业管理和心理学等不同学科,成为许多领域研究的焦点。目前许多人工智能研究者正在致力于构建复杂、动态的多智能体系统,在这些多智能体系统中,比如交互式的训练和教育,机器人足球赛,虚拟剧院以及基于Internet的信息集成中,团队协作和团队训练有着举足轻重的地位。这些领域中不仅需要多个智能体的参加来完成任务,而且需要团队中的智能体共同协作来有效地完成任务。团队协作不单纯是一些同时发生活动的简单协调,Cohen对团队协作有一经典的形象说明:“普通交通协调虽然是同时发生、并且由交通信号自动协调,但仍然不能     

构造性混合决策树

提出了一种构造性混合决策树学习方法CHDT。该方法用符号学习来进行定性分析,用神经学习进行后续的定量分析,在一定程度上模拟了人类的思维过程。CHDT采用了一种独特的构造性归纳机制,较好地解决了在缺乏领域知识指导的情况下进行构造性学习的问题,它通过采用FTART2网络和适宜于混合决策树的神经网络嵌入机制,获得了较强的泛化能力。实验结果表明,CHDT能构造出结构简洁、预测精度高的混合决策树。     

一种基于统计的神经网络规则抽取方法

从功能性观点出发,提出了一种基于统计的神经网络规则抽取方法.该方法利用统计技术对抽取出的规则进行评价,使其可以较好地覆盖示例空间.采用独特的连续属性处理方式,降低了离散化处理的主观性和复杂度.采用优先级规则形式,不仅使得规则表示简洁、紧凑,而且还免除了规则应用时所需要的一致性处理.该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络.实验表明,利用该方法可以抽取出可理解性好,简洁、紧凑,保真度高的符号规则.