一种基于启发式轮廓表的逻辑强化学习方法

强化学习通过试错与环境交互获得策略的改进,其自学习和在线学习的特点使其成为机器学习研究的一个重要分支．针对强化学习一直被“维数灾”问题所困扰的问题,提出在关系强化学习的基础上,引入启发式轮廓表的方法,采用含轮廓表的一阶谓词表示状态、活动和Q-函数,充分发挥Prolog表的优势,将逻辑谓词规则与强化学习相结合,形成一种新的逻辑强化学习方法——CCLORRL,并对其收敛性进行了证明．该方法使用轮廓形状谓词产生形状状态表,大幅度地减少状态空间;利用启发式规则指导动作的选择,减少了样本中不存在状态选择的盲目性．CCLORRL算法应用于俄罗斯方块中,实验表明,该方法是比较高效的.     

基于蚁群算法的动态联盟盟友选择问题研究

从整个生产价值链出发,结合层次分析法(AHP),建立盟友选择模型.在对模型研究的基础上,提出了一种基于蚁群算法的动态联盟盟友选择方法.实现整条生产价值链的全局最优.     

GARD:基于遗传算法的连续属性离散化

1引言 在现实世界中,描述事物属性的数据一般可以分为两种类型,一种是连续型,表示被描述对象的某些可测性质,其值取自某个连续的区间;另一种是离散型.离散型数据更加易于处理,并且简化了对知识的描述,可理解性强.许多现有的归纳学习系统如ID3、C4.5等都要求属性值数据是离散数据.因此,数据的离散化在数据挖掘和知识发现等领域具有重要的作用,一方面能使系统有效处理实际应用中经常遇到的连续属性值问题,另一方面,可以加快学习的速度和简化归纳获得的知识,甚至提高分类精度.目前,数据的离散化问题已经得到了广泛的研究.     

基于Wi-Fi与433 MHz频段的无线传感网通信网关设计

分析目前工业监测中多种无线通信方案的优劣,针对节点固定、拓扑结构并不复杂的工厂监测场景,设计一种以2.4 GHz Wi-Fi和433 MHz频段无线通信方式的WSN网关,并搭建以网关为核心的通信框架.硬件层面上,设计网关整体硬件结构及各模块电路;软件层面上,为提高433 MHz频段无线传感网通信稳定性,对Zig-Bee协议进行场景适应性优化,约定网关通信数据格式,并对软件流程进行模块化设计.对网关性能进行测试,结果表明,该网关通信稳定可靠及时、设计合理且实用性强.     

C语言程序设计教学方法探讨

通过分析C语言程序设计课程的教学现状和影响教学效果的突出问题,本文提出教师在教学中应该注重培养学生的编程兴趣,在教学手段、教学方法、实践教学等多个方面改变传统教学模式,提高教学效果,培养学生的编程能力和思维能力。     

程序设计类课程过程性考核研究与实践

程序设计类课程是计算机类专业的重要基础课程,这类课程在注重理论学习的基础上特别强调通过实践培养学生的逻辑思维和实践能力,传统"重结果、轻过程"的考核方法不利于该类课程教学质量的提高。文章对程序设计类课程进行过程性考核研究,提出程序设计类过程性考核的方案,阐述方案的实施成效和需要注意的关键问题。     

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。     

一种基于马尔科夫网的本体匹配算法

概率模型是解决不确定性推理和数据分析的有效工具。针对本体匹配的不确定性,提出一种基于马尔科夫网的本体匹配改进算法。采用多种传统匹配算法计算相似度矩阵,改进相似度传播规则,添加2种结构稳定性约束规则和1种Disjoint一致性约束规则,定义其对应团的势函数。根据相似度矩阵和上述规则,给出马尔科夫网的构造方法,使用循环置信度传播算法计算随机变量的后验概率,依据后验概率得到最后的本体匹配结果。在OAEI2010数据集上进行实验,结果表明,与iMatch本体匹配系统相比,该算法能有效降低概率模型的复杂度,提高本体匹配的准确率和召回率。     

一种连续值属性约简方法ReCA

属性约简是Rough集理论的主要应用和研究内容之一.现有的各种属性约简方法大多适用于离散值属性.对于连续值属性的数据处理,通常做法是先对其进行离散化.这种先期对数据进行的处理会丢失一些信息,易于使约简产生错误.针对连续值信息系统,提出了一种新的属性约简方法ReCA,该方法将连续值属性离散化与属性约简过程融为一体,以基于信息熵的不确定性度量作为适应度函数,通过进化计算同时得到约简属性集合和离散化的断点集合.实验表明,该方法不仅可以有效地进行属性约简,而且与Rough集及C4.5两种方法相比,得到的属性数目少、测试精度较高.     

基于GA-BP神经网络的非线性模拟量回归

针对嵌入式系统中传感器测量模拟量与采样值之间的非线性关系难以找寻确定公式进行表达的问题,提出使用BP神经网络对非线性模拟量进行回归拟合。并针对BP神经网络易陷入局部极小值的缺陷,采用遗传算法进行优化。实验表明,与最小二乘法与三次样条插值法相比,BP神经网络对曲线拟合程度优于其余两种方法,且具有较高的准确度。遗传算法优化后的BP神经网络,能够更加快速收敛,准确度也进一步提升。同时将网络模型应用在MCU端,实现在MCU端的预测与参数更新,具有一定的实用性和适应性。