基于强化学习经验优先提取的汽车纵向多态控制

文章提出一种引入经验优先提取(prioritized experience extraction,PEE)规则的深度Q网络(deep Q network,DQN)算法,用于解决汽车纵向行驶时的多态控制问题。首先,建立车辆纵向力矩传递模型和强化学习算法模型,在进行算法移植以及制定奖励函数时综合考虑车速、距离等相关因素的综合限制;然后,通过仿真与硬件在环实验验证强化学习算法在汽车纵向多态控制方面的有效性;最后,引入PEE规则提高常规DQN算法的计算效率,解决算法区域性过拟合问题。PEE规则的引入有助于平滑主车的跟随车速,与相对距离相配合提升了行驶时的舒适性与安全性。

CT系统参数标定及成像

借2017年全国大学生数学建模竞赛A题目的背景,用数学上的方法展开对模型的建立与优化。考虑到CT机器内部的结构越来越复杂,人们即便能够熟练掌握各机器的操作与使用,但对于其成像原理和数据的处理也并不清楚。故对最基本的CT系统的成像原理和数据处理进行简单的分析。基于二维CT系统,研究分析其成像原理,对其误差以及精准性进行改进,使成像模型更加优化。