实时环境下Agent决策机制研究

随着实时应用的日益广泛,越来越复杂的技术已经被应用到实时系统中.在分析已有Agent模型的基础上,提出了一种新的实时Agent模型.这种模型将Agent的审慎型行为和反应型行为结合在一起,其效率比已有的Agent模型有较大的提高.还讨论了实时Agent的决策机制,提出用感知器算法对特征进行分类和任意时间算法进行决策.

基于脑-机接口的智能车控制算法研究与实现

利用单通道脑电传感器mindset采集脑电波原始数据,并利用小波变换对采集的脑电信号进行分解,以小波变换系数为特征提取方法,首次从脑波节律能量的角度判断大脑注意力状态;另外,通过感知机准则算法,提出以系数加子带能量为特征的新方法,实现以脑波数据检测眼睛眨动情况。通过将大脑注意力状态以及眼睛眨动强度发送给智能车,实现对其速度和方向的精确控制。此算法为智能车控制提供了一种真正的意念控制方法。

实时环境下Agent决策机制研究

在分析已有Agent模型的基础上,提出了一种新的实时Agent模型。这种模型将Agent的审慎型行为和反应型行为结合在一起,其效率比已有的Agent模型有较大的提高。文中还讨论了实时Agent的决策机制,提出用感知器算法对特征进行分类和任意时间算法进行决策。

基于级联重排序的汉语音字转换

N元语言模型是解决汉字音字转换问题最常用的方法.但在解析过程中,每一个新词的确定只依赖于前面的邻近词,缺乏长距离词之间的句法和语法约束.我们引入词性标注和依存句法等子模型等来加强这种约束关系,并采用两个重排序方法来利用这些子模型提供的信息:1)线性重排序方法,采用最小错误学习方法来得到各个子模型的权重,然后产生候选词序列的概率;2)采用平均感知器方法对候选词序列进行重排序,能够利用词性、依存关系等复杂特征.实验结果显示,两种方法都能有效地提高词N元语言模型的性能.而将这两种方法进行级联,即首先采用线性重排序方法,然后把产生的概率作为感知器重排序方法的初始概率时性能取得最优.