负载两种不同电极材料MEC处理实际垃圾渗滤液的运行特性

构建了以碳毡（A-MEC）和碳刷（B-MEC）为电极材料的微生物电解池（microbial electrolysis cell, MEC）处理实际垃圾渗滤液，研究不同外加电压条件下反应器的运行特性。结果表明，外加电压对MEC系统污染物去除率有显著影响且呈正相关性，外加电压升高到1.2V时，A-MEC和B-MEC对垃圾渗滤液中COD的最大去除率分别为48.23%±0.22%和70.21%±1.12%，\mathrm{N}{\mathrm{H}}_{\mathrm{4}}^{+}-N最大去除率分别为88.83%±1.19%和84.55%±2.08%，运行时A-MEC和B-MEC的最大电流密度分别为11.12A/m³、12.52A/m³，相比于A-MEC系统，B-MEC的内阻更低；两种MEC系统对浊度和色度均有明显的去除效果，但B-MEC色度去除率比A-MEC高出47.83%±1.62%；紫外-可见光谱结果表明，两种MEC处理后垃圾渗滤液的特征波长波峰明显低于初始垃圾渗滤液，说明不饱和键被破坏，结构复杂程度下降。通过电镜扫描进一步发现碳刷电极的微生物形态要比碳毡电极丰富。本文为高效处理垃圾渗滤液提供了新的思路。     

一种基于谱聚类的聚类核半监督支持向量机

针对传统半监督支持向量机的高斯核函数无法恰当描述流形数据特性,从而导致流形数据分类精度下降的问题,提出一种基于谱聚类的聚类核半监督支持向量机.利用谱聚类方法在特征向量空间中对原始样本数据进行重新表述,使得在新表述中同一聚类中的样本能够更好地积聚在一起,构建聚类核函数,并进而构造聚类核半监督支持向量机,使样本更好地满足半监督学习必须遵循的聚类假设.研究结果表明:聚类核半监督支持向量机对未标记样本的分类精度高且算法性能稳定,对控制参数的设置不敏感,适于解决流形数据的分类问题.     

基于软间隔委员会投票主动学习的遥感影像分类

针对遥感影像数据具有大量未标记样本的特性,采用主动学习方法从未标记样本中,挑选出最有利于改善遥感影像分类性能的样本添加到已标记样本中进行学习,以有效避免过多的人工干预,减少标记样本数量。进一步,针对传统基于委员会投票主动学习难以处理噪声及线性不可分数据的问题,提出基于软间隔的委员会投票主动学习方法,对样本间隔添加考虑样本分布的松弛项,以弱化硬间隔对噪声数据分类的影响。遥感影像数据集上的仿真结果表明,所提算法能够使用较少的训练样本来获得较高的分类精度。     

一类连续状态与动作空间下的加权Q学习

针对连续状态与动作空间下的控制问题,提出了一类连续状态与动作空间下的加权Q学习算法,应用改进的增长神经气算法动态构建径向基网络的隐合层,实现状态空间的自适应构建。在基于径向基网络实现的标准Q学习基础上,利用加权Q学习算法用以解决具有连续动作输出的控制问题。仿真实例验证了所提算法的有效性。     

考虑扰动与输入饱和的机械臂连续非奇异快速终端滑模控制

针对机械臂控制过程中由于扰动与输入饱和造成的控制精度低的问题,提出一种连续非奇异快速终端滑模控制算法.首先,针对输入饱和问题,设计饱和补偿系统以消除输入饱和特性;其次,为避免滑模控制的抖振问题,设计二阶模型不确定与扰动估计器(UDE)对扰动项进行估计;同时,为进一步提高控制精度,采用自适应方法对扰动估计误差进行控制;在...     

"控制系统计算机仿真"实验教学改革

系统仿真是根据真实系统的物理模型或数学模型，利用计算机或实物、半实物，建造一个模拟系统，在模拟系统上进行观测、实验和分析，从而达到认识、理解和控制真实系统的目的。控制系统计算机仿真是一门建立在控制理论、数值方法、计算机技术、系统工程和控制工程基础上的综合性实验学科，它已成为自动控制学科的一支分支。目前，近乎所有的高品质的控制都离不开系统仿真研究。利用仿真工具对控制系统进行设计与仿真，可以有效地对比各种控制模型与方案，选取并优化相关控制参数，从而对整个控制系统的性能进行优化与提高，尤其是对于一些新型控制理论与算法的研究，进行系统仿真更是必不可少的。     

安全强化学习综述

强化学习(Reinforcement learning, RL)在围棋、视频游戏、导航、推荐系统等领域均取得了巨大成功. 然而, 许多强化学习算法仍然无法直接移植到真实物理环境中. 这是因为在模拟场景下智能体能以不断试错的方式与环境进行交互, 从而学习最优策略. 但考虑到安全因素, 很多现实世界的应用则要求限制智能体的随机探索行为. 因此, 安全问题成为强化学习从模拟到现实的一个重要挑战. 近年来, 许多研究致力于开发安全强化学习(Safe reinforcement learning, SRL)算法, 在确保系统性能的同时满足安全约束. 本文对现有的安全强化学习算法进行全面综述, 将其归为三类: 修改学习过程、修改学习目标、离线强化学习, 并介绍了5大基准测试平台: Safety Gym、safe-control-gym、SafeRL-Kit、D4RL、NeoRL. 最后总结了安全强化学习在自动驾驶、机器人控制、工业过程控制、电力系统优化和医疗健康领域中的应用, 并给出结论与展望.     

一种面向多源领域的实例迁移学习

在迁移学习最大的特点就是利用相关领域的知识来帮助完成目标领域中的学习任务,它能够有效地在相似的领域或任务之间进行信息的共享和迁移,使传统的从零开始的学习变成可积累的学习,具有成本低、效率高等优点.针对源领域数据和目标领域数据分布类似的情况,提出一种基于多源动态TrAdaBoost的实例迁移学习方法.该方法考虑多个源领域知识,使得目标任务的学习可以充分利用所有源领域信息,每次训练候选分类器时,所有源领域样本都参与学习,可以获得有利于目标任务学习的有用信息,从而避免负迁移的产生.理论分析验证了所提算法较单源迁移的优势,以及加入动态因子改善了源权重收敛导致的权重熵由源样本转移到目标样本的问题.实验结果验证了此算法在提高识别率方面的优势.     

基于多智能体强化学习的乳腺癌致病基因预测

通过分析基因突变过程, 提出利用强化学习对癌症患者由正常状态至患病状态的过程进行推断, 发现导致患者死亡的关键基因突变. 首先, 将基因视为智能体, 基于乳腺癌突变数据设计多智能体强化学习环境; 其次, 为保证智能体探索到与专家策略相同的策略和满足更多智能体快速学习, 根据演示学习理论, 分别提出两种多智能体深度Q网络: 基于行为克隆的多智能体深度Q网络和基于预训练记忆的多智能体深度Q网络; 最后, 根据训练得到的多智能体深度Q网络进行基因排序, 实现致病基因预测. 实验结果表明, 提出的多智能体强化学习方法能够挖掘出与乳腺癌发生、发展过程密切相关的致病基因.     

一种改进的最大相关最小冗余选择性贝叶斯分类器

利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题.