基于路径引导知识启发的强化学习方法

为了提高强化学习算法的运行效率和收敛速度,提出了一种基于路径引导知识启发的强化学习方法PHQL。采用PHQL方法,不需要提前植入先导知识,agent在每一轮学习过程中更新Q表的同时,各个状态的路径知识也自主地建立起来并逐步修正和优化。算法利用已经获得的路径知识来指导和加速agent以后的强化学习过程,以减少agent学习过程的盲目性。分析了PHQL算法的探索、利用和启发3种行为的执行概率以及行为选取方法,提出一种行为选择概率随时间渐变的算法。以一个路径搜索问题为实例,对PHQL方法进行了验证、分析并与几种相关的强化学习算法进行了性能对比。实验结果表明,作者提出的方法对学习过程具有明显的加速作用,收敛性能有了较大的提高。

基于伪分类超平面的线性可分几何判定方法及应用

针对模式分类中线性可分的问题,文中将模式看作是欧氏空间中的点,研究欧氏空间中点与面的关系等解析几何性质,在一般的分类超平面概念上定义伪分类超平面.根据线性可分等价性,在需降维时进行空间映射.研究根据数据寻找伪分类超平面,给出几何意义明显的线性可分判断方法,在该方法的基础上给出一种分类复杂度的度量方法.实验结果表明,该方法较好地体现数据的分类复杂度.

一种多Agent的情境装配模型

为了解决虚拟装配系统普遍存在的人机交互不够友好、配置文件复杂、难以应对需求变化等问题,提出一种以多Agent技术为基础的情境装配模型,将每个虚拟装配零件视作独立的Agent,构建一个自底向上的情境装配场景。首先从装配体的视角构建装配信息模型,刻画零件对象和特征对象的各项参数,同时定义用于Agent之间传输不同状态参数的消息模板,并根据虚拟装配任务的过程特点建立了树形决策机制,装配体根据收到的消息及其中包含的参数决定下一步装配。通过实际项目应用验证了该模型的有效性。

一种多层分布式情境装配模型

提出一种以Agent技术为基础的多层分布式的虚拟场景模型。先从装配体的视角构建装配信息模型,根据刻画特征对象的各项参数定义装配知识层;装配决策层将零件视为Agent,并定义Agent间传输状态参数的消息模板,同时根据虚拟装配任务的过程特点,建立决策规则;最后,定义用户控制层的运动控制算法,实现对用户的运动引导。实验表明该场景模型可在虚拟场景中有效呈现装配任务,并根据上下文情境准确理解用户意图。

基于SOFM的人脸图像聚类方法比较

通过实验探讨了几种人脸图像聚类方法的效果,并给出了一些定性的结论。首先是试图找出数据量的大小对聚类效果的影响,实验结果表明,聚类数据量的增加可以使聚类结果更好,并且使用PCA方法提取人脸特征时,人脸轮廓信息越多,聚类结果越好;其次是将人脸图像按五官分割成不同的部分,然后分别使用PCA和ICA方法提取特征进行聚类,实验结果表明使用ICA方法比使用PCA方法提取的特征的聚类效果好。

基于生成对抗网络的图像修复

针对现有图像修复算法存在受损区域的形状和大小受限以及修复痕迹明显、修复边缘不连续的问题,文中提出一种基于生成对抗网络的图像修复方法。该方法采用生成对抗网络(Generative Adversarial Networks,GAN)这种新的生成模型作为基本架构,结合Wasserstein距离,同时融入条件对抗网络(CGAN)的思想;以破损图像作为附加条件信息,采用对抗损失与内容损失相结合的方式来训练网络模型,以修复破损区域。此方法能够修复大多数破损情况下的图像。在CelebA和LFW两个数据集上的实验结果表明,所提方法能够取得很好的修复效果。

同心同向椭圆检测算法

提出了一种新的同心同向椭圆检测算法。为了满足实时性要求将算法划分为三个检测步骤检测椭圆参数,每个检测步骤充分运用了推导出的椭圆性质以及霍夫变换中投票统计的方法,使得算法复杂度明显降低,计算时间显著减少,同时保证了检测速度和准确率。实验结果表明该算法对于模拟数据和真实图像有很高的检测率,同时可以成功检测部分遮挡的同心同向椭圆。

基于改进MRII的Madaline网络学习算法

根据Madaline网络工作原理,针对其网络特点和现有算法中存在的缺点,包括存在权值修改公式参数较多不容易协调,经验取值缺乏理论依据不够灵活,按照置信度原则进行翻转神经元会陷入"局部震荡"。提出改进的MRII学习算法,通过建立神经元敏感性替代置信度作为度量隐层神经元翻转的尺度,并采用感知机学习规则,减少权值调整次数,实验结果验证了该算法的优越性。

基于边缘梯度方向的图像二值化方法

针对由于图像背景灰度不均导致不能很好地分离目标与背景问题,在已有工作的基础上,提出一种新的二值化方法。该方法结合Canny边缘检测,基于边缘梯度方向特征信息,通过投票标记边缘两侧和决定不确定点的归属,较好地解决了噪声和伪影问题,实验结果表明该方法具有良好的效果。