具有时滞的不确定性系统神经网络模糊自学习控制

本文对具有时滞的不确定性控制对象提出了一种神经网络时滞补偿模糊自学习控制方法．模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程建模，实现对时滞补偿预报以及对模糊加权因子的自学习优化调整．将上述方法用于焊接熔池动态过程控制试验，结果表明本文提出的自学习神经网络时滞补偿模糊控制方案有效．     

基于强化学习的多Agent协作研究

强化学习为多Agent之间的协作提供了鲁棒的学习方法．本文首先介绍了强化学习的原理和组成要素，其次描述了多Agent马尔可夫决策过程MMDP，并给出了Agent强化学习模型．在此基础上，对多Agent协作过程中存在的两种强化学习方式：IL(独立学习)和JAL(联合动作学习)进行了比较．最后分析了在有多个最优策略存在的情况下，协作多Agent系统常用的几种协调机制．     

具有时滞的不确定性系统神经网络模型自学习控制

本文对具有时滞的不确定性控制对象提出了一种神经网络时滞补偿模糊自学习控制方法，模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程建模，实现对时滞补偿预报以及对模糊加权因子的自学习优化调整，将上述方法用于焊接熔池动态过程控制试验，结果表明本文提出的自学习神经网络时滞补偿模糊控制方案有效。     

神经网络的层次化学习机制探讨

研究人工神经网络的信息处理机制是模拟人脑功能要解决的一个重要问题,在信息几何框架下,该机制可以通过研究信息系统的几何结构来讨论.本文提出了一种简化的模拟人类思维层次的层次化神经系统模型,并利用基于信息几何的神经场学习理论解释了不同层次的神经系统通过前馈和反馈连接进行动态交互作用的逼近学习机制,进而从整体宏观的角度对人脑学习机理以及概念形成给出了一个数学上的描述.     

解释学习的效用问题

近年来,在机器学习领域,基于解释的学习引起了广泛的兴趣。解释学习是一种演绎学习方法,根据领域理论对训练实例进行解释,经过推广后获得新的知识。从可操作性的角度看,解释学习并没有学到真正新的知识,只是一种知识转换,它把原先不可操作的概念描述转换为可操作的目标概念描述,而使系统的性能得以提高。但原来的可操作性定义并没有考虑到解释学习的效用(utility)问题,人们发现这样的解释学习并不总能提高系统的性能,而是在大多数情况下会使系统的行为比未经学习时更差,这使得效用问题与不完善理论问题一样成为解     

基于描述复杂性的优化学习算法

从描述复杂性的角度出发，提出了一种新的优化学习算法，描述复杂性理论认为，一个数据集的最小长度描述最能体现出这个数据集的本质规律，借鉴机器学习和认知心理学领域的研究成果，该文采用“规则＋例外”作为描述方法，从而把学习问题转化成求在“规则＋例外”描述方法下的最小长度描述的优化问题，实验表明，这种算法的结果能够得到很好的解释。     

基于Takagi—Sugeno的再励学习模糊神经网络控制

提出一种模糊神经网络的自适应控制方案。针对连续空间的复杂学习任务，提出了一种竞争式Takagi—Sugeno模糊再励学习网络，该网络结构集成了Takagi-Sugeno模糊推理系统和基于动作的评价值函数的再励学习方法。相应地，提出了一种优化学习算法，其把竞争式Takagi-Sugeno模糊再励学习网络训练成为一种所谓的Takagi-Sugeno模糊变结构控制器。以一级倒立摆控制系统为例．仿真研究表明所提出的学习算法在性能上优于其它的再励学习算法。     

一种新的神经模糊系统及其学习算法

本文提出一种规则结论部分的语言变量具有离散隶属度函数的、基于Mamdani形规则的新神经模糊系统,并描述了它的学习算法.新神经模糊系统由模糊推理系统及其一一对应的神经网络系统构成.在只有训练数据的情况下,首先提出了一种基于RBF神经网络的模糊建模方法.而在模糊推理系统由模糊建模或者直接由专家经验知识确定后,应用梯度下降法优化神经网络系统参数.倒立摆控制和时间序列预测的仿真试验体现了本文提出的新的神经模糊系统的可用性和优越性.     

直接模糊神经控制及其在列车自动操纵中的应用(英)

本文基于模糊神经控制方法提出一种新的列车自动操纵策略．首先基于复杂动态过程划分的思想，建立列车运行过程的五个子过程近似工程数学模型；接着对所提的模糊神经控制器的结构、训练样本编码方法、学习算法和推理准则作了详细的描述；文末利用所提控制方法对列车在一段特定的线路上作了仿真研究，结果表明了所提方法的有效性．     

多主体系统中的模糊匹配

分析了目前主体服务匹配中存在的问题和不足，针对多主体系统中模糊匹配的需求，提出了一种主体模糊服务描述方法．在模糊服务描述的基础上提出了4种模糊匹配算法：基于语法的近似模糊匹配算法、基于语义的近似模糊匹配算法、等价模糊匹配算法和插入模糊匹配算法，并给出了它们的实现方法．这些算法克服了目前主体服务匹配算法中存在的不足．     

一种解释学习系统的模型EBL／GA

解释学习是演绎式学习方法，而遗传算法是归纳式学习方法。本文提出的解释学习系统模型ＥＢＬ／ＧＡ，结合两者的优点提高了系统的效用。     

解释学习进展

本文对解释学习近期的研究进行了论述,包括解释学习机制,当前解释学习研究的几个重要问题:如可操作性的形式化定义、典型解释学习过程的解释与概括、针对不完善领域理论的多种解决办法等,还就解释学习特点、总体发展状况及今后研究方向提出了看法。     

基于解释学习的可操作性

可操作性是基于解释机器学习的关键问题，本文给出了一种以模糊集理论来描述可操作性的方法，建立了ＥＢＬ的模型，这一结果优于Ｋｅｌｌｅｒ等人的工作。     

强化学习系统及其基于可靠度最优的学习算法

归纳了强化学习的主要理论方法，提出了一个区分主客观因素的强化学习系统描述，引入了任务域的概念，针对以往强化学习采用的期望最优准则描述任务域能力的不足，考虑了目标水平准则下的首达时间可靠度优准则模型，分别结合随机逼近理论和时间差分理论，提出了基于概率估计的Ｊ－学习和无需建增量Ｒ－学习。     

A NEW DESIGN APPROACH FOR FUZZY‐LEARNING FUZZY CONTROLLERS

In this paper, a new approach to designing fuzzy‐learning fuzzy controllers for a system plant without an exact mathematical model is presented. The cost function is defined as the square of the sliding function to alleviate the difficulty of overshoot when on‐line learning is conducted. The learning mechanism of a fuzzy controller is constructed so as to minimize the cost function with a set of linguistic rules. Moreover, to reduce the complexity of the fuzzy‐learning fuzzy controller, the fuzzy mechanism used for learning and the fuzzy mechanism contained in the fuzzy controller are designed so as to have the identical structures. Finally, simulations are included to show the effectiveness of the fuzzy‐learning fuzzy controllers.     

解释学习中的多知识库协作

为了解决解释学习中知识库不完备的问题,本文引入了多知识库协作,提出了解释与联想的学习方法。     

竞争式Takagi-Sugeno模糊再励学习

针对连续空间的复杂学习任务,提出了一种竞争式Takagi-Sugeno模糊再励学习网络(CTSFRLN),该网络结构集成了Takagi-Sugeno模糊推理系统和基于动作的评价值函数的再励学习方法.文中相应提出了两种学习算法,即竞争式Takagi-Sugeno模糊Q-学习算法和竞争式Takagi-Sugeno模糊优胜学习算法,其把CTSFRLN训练成为一种所谓的Takagi-Sugeno模糊变结构控制器.以二级倒立摆控制系统为例,仿真研究表明所提出的学习算法在性能上优于其它的再励学习算法.     

解释学习的可操作性

本文对解释学习(EBL)中可操作性的形式化描述进行了初步探讨.强调了执行系统在学习中的作用,并将它形式化为一个公理系统;提出了等价置换概念,给出了可操作性的数学描述,最后验证了一个路线规划系统PLAN.