Recency effects as a window to generalization: Separating decisional and perceptual sequential effects in category learning.

Accounts of learning and generalization typically focus on factors related to lasting changes in representation (i.e., long-term memory). The authors present evidence that shorter term effects also play a critical role in determining performance and that these recency effects can be subdivided into perceptual and decisional components. Experimental results based on a probabilistic category structure show that the previous stimulus exerts a contrastive effect on the current percept (perceptual recency) and that responses are biased toward or away from the previous feedback, depending on the similarity between successive stimuli (decisional recency). A method for assessing these recency effects is presented that clarifies open questions regarding stimulus generalization and perceptual contrast effects in categorization and in other domains. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

Perspectives of probabilistic inferences: Reinforcement learning and an adaptive network compared.

The assumption that people possess a strategy repertoire for inferences has been raised repeatedly. The strategy selection learning theory specifies how people select strategies from this repertoire. The theory assumes that individuals select strategies proportional to their subjective expectations of how well the strategies solve particular problems; such expectations are assumed to be updated by reinforcement learning. The theory is compared with an adaptive network model that assumes people make inferences by integrating information according to a connectionist network. The network's weights are modified by error correction learning. The theories were tested against each other in 2 experimental studies. Study 1 showed that people substantially improved their inferences through feedback, which was appropriately predicted by the strategy selection learning theory. Study 2 examined a dynamic environment in which the strategies' performances changed. In this situation a quick adaptation to the new situation was not observed; rather, individuals got stuck on the strategy they had successfully applied previously. This "inertia effect" was most strongly predicted by the strategy selection learning theory. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

基于强化学习的二级倒立摆控制

在模型未知和没有先验经验的条件下，采用一种改进的强化学习算法实现二级倒立摆系统的平衡控制。该学习算法不需要预测和辨识模型，能通过网络自身的联想和记忆，在线寻求最优策略。该学习算法采用基于神经网络的值函数逼近，并用直接梯度和适合度轨迹修正权值，有效实现对连续状态和行为空间任务的控制。计算机仿真证明了该强化学习算法在较短的时间内即可成功地学会控制直线二级倒立摆系统。     

基于Kohonen神经网络聚类方法在遥感分类中的比较

设计完成和比较了基于Kohonen自组织网络的Kohonen聚类网络（Kohonen Clustering Network, KCN）、模糊Kohonen聚类网络（Fluzzy KCN, FKCN）和基于进化规划的Kohonen聚类网络（Evalutionary Programming based KCN, EPKCN）三种聚类算法在遥感土地利用/覆盖分类中的应用。结果表明三种非监督学习方法在进行遥感土地利用/覆盖分类过程中，在分类性能上有显著差异。EPKCN分类目视效果最好，单次迭代的速度最快；FKCN总的收敛速度最快；而按遥感土地利用/覆盖分类要求而言，EPKCN方法在三种分类方法中效果最好，因此可采用该算法进行遥感土地利用/覆盖的非参数分类。     

纳入城市规划、规范移动通信基站建设

本文分析了目前移动基站建设存在的主要问题及其产生根源,提出规范移动通信基站建设,将其作为城市公用设施纳入城市规划的观点.并根据国家及政府有关部门的政策法规及国内先行城市的成功经验,结合本市的实际情况,对规范移动通信基站建设的本地立法工作提出了建议.     

图像检索中的主动学习及其可测量性

主动学习对于复杂、主观、使用少量训练实例的图像检索查询具有非常有效的作用。在图像检索中应用主动学习与支持向量机相结合的方法进行相关反馈,通过两者的互补来有效地提高图像检索的精度。对比了推理算法、简单主动算法以及角度多样性算法3种主动学习算法,并研究了最好的样本选择策略。还讨论了主动学习中概念复杂度的可测量性,并对未来的研究方向提出了建议。相信随着这些可测量性问题被重点提出,主动学习的成果可以被广泛应用。     

改进的生物激励神经网络的机器人路径规划

介绍了基于生物激励神经网络的移动机器人路径规划。机器人的路径生成过程是由神经网络组成动态变化的神经元活性值状态路线图实现的。通过神经元活性值的传播,机器人被吸引到目标点,而同时障碍物使自己处在活性值最低点,起到推开机器人避碰的目的。仿真研究表明该方法生成的由起始点到目标点的路径是连续的、平滑的、避障的,不会陷入U形障碍物,与障碍物形状和所处位置无关,能对快速变化的环境做出迅速反应。但在当前位置邻近位置中具有最大活性值的位置不惟一的情况下,产生路径可能不理想,即到达目标点的避障路径是较长的,而不是最短或者是接近最短的。文中对该不足进行了分析,并提出了改进方法,使生成路径是最短的或是接近最短。对改进方法进行了仿真,实验结果证明该方法是有效的和可行的。     

传统人工势场的改进

文中在分析足球机器人避碰的特点及传统人工势场法的不足的基础上,提出了引入障碍物和机器人自身的速度和加速度来改进人工势场法,并提前对规避动作做出预判来实现优化人工势场的方法。仿真试验表明,这种方法是可行的,可以有效地弥补传统人工势场的缺陷。     

一种基于移动设备的DML语言的实现

随着网络和计算机技术的迅速发展,越来越多的移动设备上已经加入了数据库的功能。考虑到移动设备使用数据以及本身性能的特点,参考传统数据库的设计,实现了在一些特定应用中移动设备便于采用的数据控制系统。根据移动处理经常要使用的数据的特点,将数据进行分类,针对移动处理操作的本身特点,设计了数据控制语言(DML),提出了一种能够充分利用移动设备资源的数据组织结构,使移动设备能够快速地响应用户请求。     

基于多Agent的并行Q-学习算法

提出了一种多Agent并行Q-学习算法．学习系统中存在多个Agent，它们的学习环境、学习任务及自身功能均相同，在每个学习周期内，各个Agent在各自独立的学习环境中进行学习，当一个学习周期结束后，对各个Agent的学习结果进行融合，融合后的结果被所有的Agent共享，并以此为基础进行下一个周期的学习．实验结果表明了该方法的可行性和有效性。