中国象棋机器博弈的时间自适应分配策略研究

时间分配问题在象棋比赛中是十分重要的策略问题，在机器博弈中也是如此。好的策略可以把宝贵的时间资源用在“刀刃”上；此外，好的时间分配策略还要有好的自适应性，亦即对大多数比赛，无论其限时的长短、步数的多寡，该策略都能合理利用时间。在分析和建立了时间分配的数学模型的基础上，介绍了自适应时间分配与调整的策略和算法。时间分配问题与搜索和评估密切相关，也影响着机器博弈的风格。     

中国象棋计算机博弈开局库研究与设计

开局库是一种为了增强计算机的博弈水平而必不可少的辅助手段，开局阶段的着法采用查询数据库的方式生成，从而避免耗时的搜索、评估和出现战略性错误．研究了中国象棋机器博弈系统中应用开局库的一些技术问题．介绍了开局库的计算机自动生成方法，对统计开局库作了详细的探讨和论述，提出了理想开局库的设计思想以及开局库评估系统的必要性．     

基于深度学习的问题分类方法研究

问题分类是问答系统中的重要组成部分。但现阶段的问题分类需要人工制定提取特征的策略和不断优化特征规则。深度学习方法在问题分类上具有可行性,通过自我学习特征的方式表示和理解问题,避免人工特征的制定,从而减少人工代价。针对问题分类,改进了长短期记忆人工神经网络(LSTM)和卷积神经网络(CNN)模型,并结合两者的优势组合成为一种新的学习框架(LSTM-MFCNN),加强对词序语义和深度特征的学习。实验结果表明,该方法在不需要制定繁琐的特征规则的条件下,仍然有较好的表现,准确率达到了93.08%。     

基于深度神经网络的胎儿体重预测

由于胎儿体重是反映胎儿生长发育情况、宫内异常妊娠情况的重要指标,因此,胎儿的估重是医生对产妇进行临床处理的一个重要依据。传统胎儿体重预测模型的构建依赖于医学知识与生理参数选择,因此构建过程不易进行复制与推广。针对这些问题,提出一种使用深度神经网络来构建胎儿体重预测模型的方法,同时介绍了从电子病历中提取相关参数的过程,以及针对数据缺失值的补全策略。实验表明,基于深度神经网络的胎儿体重预测模型优于公式预测方法与基于传统人工神经网络的模型,且提出的缺失值补全策略能够强化模型的训练,进而提高预测的准确度。最后,基于深度神经网络的胎儿体重预测模型有很强的泛化能力与通用性,为不同地区、不同医院建立个性化的预测模型提供了可行方法。