空间机械臂的确定性学习控制

研究一类空间机械臂系统的基于模式的控制方法。首先在训练阶段,基于确定性学习理论设计自适应神经网络控制器使机械臂系统跟踪不同的任务模式,得到对应于不同任务模式的一系列空间机械臂闭环动态的局部准确神经网络建模,并利用这些模型构造对应不同任务模式的常值神经网络控制器。其次,在测试阶段,首先快速识别出任务模式,然后调用相应的常值神经网络控制器实现对空间机械臂系统基于模式的闭环控制。理论证明基于模式的控制方法可提高机械臂闭环系统的控制性能,并可避免频繁切换。理论结果最后在空间机械臂中得到了仿真校验。

基于确定性学习的人体步态识别方法研究

基于确定性学习理论,提出了一种基于关节角时序数据序列的人体步态识别方法。首先,由人体运动捕捉设备获取关节角时序数据序列,则局部准确的人体步态的内部动力学可通过径向基函数（RBF）网络得到逼近。进一步,证明了逼近误差和相关神经网络（NN）参数的收敛。接下来,通过将NN逼近得到的步态动力学知识存储于常值的RBF网络,可实现人体移动步态特征的有效表达。最后,通过构建步态模式的相似性定义,提出了一种步态时序数据识别的方法,最终可实现准确的步态识别。仿真实验采用类圆规双足机器人验证了所提方法的有效性。

一种基于可信度的不确定性推理及其神经网络实现

提出了基于可信度因子和可信度区间的不确定性推理模型,并用改进的BP神经网络实现其推理过程,最后利用MATLAB神经网络工具箱给出仿真示例。改进的BP神经网络在实现不确定性推理方面有效避免了沿用传统方法所带来的规则数激增及推理缓慢等缺陷,并提高了网络的泛化能力。仿真示例表明,它不仅可以自动学习和模拟专家的典型经验,而且还可以将专家的典型经验推广应用到一般情形。

代谢增长论:市场份额竞争、学习不确定性和技术小波

新古典经济学的内生和外生增长理论都忽略了资源限制和技术发展的波样运动。人口动态学的逻辑斯蒂增长模型和物种竞争模型,能够提供一个演化分析框架,讨论市场份额竞争中技术小波所推进的经济增长。新古典经济学的干中学和知识积累模型忽略了技术进步的质变和间断性。知识的新陈代谢过程才能理解创造性毁灭。政策和制度在技术周期的不同阶段是共生演化过程(Co-evolution)。劳动分工受市场范围、资源种类和环境波动的限制。在生态-工业系统的稳定性与复杂性之间存在鱼和熊掌不可兼得的消长关系(Trade-off)。面对学习不确定性时,发展策略的多样性源于文化和环境的影响。西方的分工模式以劳动节约和资源密集型技术为特征,而亚洲和中国的分工模式以资源节约和劳动密集型为特征。非线性人口动态学整合了斯密、马尔萨斯和熊彼特的思想,为经济增长和技术发展提供了一个统一的演化理论。

代谢增长理论:市场份额竞争、学习不确定性与技术小波

新古典经济学中的外生和内生增长理论忽视了技术开发的资源限制与波状模式。种群动力学中的逻辑斯蒂增长和物种竞争模型提供了一种市场份额竞争中由技术小波驱动经济增长的演化框架。在实践中,干中学与知识积累忽略了技术进步的中断性质。创造性毁灭可以通过知识代谢来理解。政策和制度在技术周期的不同阶段共同演化。劳动分工受到市场规模、资源种类和环境波动的限制。在一个产业生态系统的稳定性和复杂性之间存在一个得失消长的关系。多元化发展战略模式是在面临学习的不确定性时由文化和环境共同塑造形成的。西方劳动分工模式的特点是节省劳动力和采用资源密集型技术,而与此同时,亚洲和中国的分工模式为资源节约型和劳动密集型。非线性种群动力学提供了自亚当·斯密(Adam Smith)、马尔萨斯(Malthus)以来到熊彼特(Schumpeter)为止的一个统一的经济增长和技术发展的演化理论。

基于深度强化学习的机器人手臂控制

基于深度强化学习策略,研究了机器人手臂控制问题。以两节机器人手臂为对象,给出奖励函数和移动方式等。结合深度学习与确定性策略梯度强化学习,设计深度确定性策略梯度(DDPG)学习步骤,使得机器人手臂经过训练学习后具有较高的环境适应性。实验表明基于深度强化学习机器人手臂可以快速并且准确的找到在环境中移动的目标点。

基于CNN和DUL的电力设备低质量X射线图像分合闸识别

电力巡检机器人系统在对电力设备分合闸X射线图像采集过程中,往往存在图像失真、模糊、低分辨率等低质量问题,对于X射线图像分合闸状态的识别造成了困难。基于此,提出一种基于数据不确定性学习DUL的深度学习识别方法。首先,分别使用三种卷积神经网络BaseNet、ResNet18与MobileNetV3设计识别算法。然后,通过融合DUL模块,卷积神经网络将图像空间映射到一种服从高斯分布的不确定的特征空间,以自适应学习低质量X射线图像中的噪声。最后,设计三组对比实验模拟理想环境、恶劣环境及正常环境下的不同质量数据对模型识别性能的影响。实验结果表明,融合DUL模块的算法模型性能优于确定性模型,X射线图像分合闸平均识别精度提升2.64%;ResNet18+DUL表现最好,精度高达100%,适用于在线识别;MobileNetV3+DUL表现次之,精度高达97.83%,适用于离线识别。

并行计算在动态模式识别中的实现和应用

研究一种针对最近提出的动态环境下的机器学习理论——确定学习理论的算法实现,提出一种采用并行计算实现确定学习理论中的动态模式识别的方法。利用并行计算中的OpenMP多核编程环境,采用曙光16核服务器为硬件平台,实现对动态模式识别算法的快速性;同时,以压气机Mansoux模型为应用背景,把确定学习理论的动态模式识别方法应用到压气机旋转失速/喘振的快速检测中,利用多核并行计算实现了从包含多种旋转失速/喘振模式的模式库中快速识别当前模式的方法,为本方法提供了有效的验证。

Study on Factors of College Student＇s Network service time Based on Bayesian Networks

Due to the uncertainty of the factors that influence the network service time and other characters of college student, Bayesian Network is used to model this kind of system. Different algorithms are used for learning Bayesian Networks in order to compare several models. It is suggested that researchers can use Bayesian Networks to explore the potential relationship between variables of complex social problems. The result indicates that learning target and family closeness degree are the key variables which influenced college student＇ s network service time. Origin of student and family economy didn＇ t influence college student＇ s network service time directly. Schools and community should strengthen the education of college students life planning and communication with parents.