一种深度强化学习制导控制一体化算法

研究了一种基于深度强化学习理论的制导控制一体化算法。不同于传统的制导控制一体化算法和制导控制回路分开设计的方法,基于深度强化学习理论的制导控制一体化算法利用深度学习强化算法生成一个智能体,智能体根据导弹的观测量生成舵偏角控制指令准确拦截目标。首先将制导控制问题转化为一个马尔可夫决策过程,然后提出了一个权衡制导精度、能量损耗和飞行时间的奖励函数,将制导控制问题转化到强化学习问题的框架中。最后采用深度确定性策略梯度算法,求解提出的强化学习问题,训练得到制导控制智能体,智能体根据导弹观测量生成舵偏角指令。通过进行大量的数值模拟,验证了提出的制导控制一体化算法的有效性和鲁棒性。     

基于标准弹道点的最优制导方法

由于基于需要速度的显式制导方法要确定虚拟目标点,虚拟目标点的确定要对地球扁率和再入阻力的影响进行修正,存在着百米以上的修正误差,为此提出了基于标准弹道点的最优制导方法,即将标准弹道的某点作为目标点进行需要椭圆轨道计算及最优入轨控制。提供了采用弹上迭代制导方法实现最优控制,同时给出了预测关机参数的需要椭圆轨道终端约束校正方法。该制导方法无需进行地球扁率和再入阻力的影响修正,可以减少方法误差,仿真计算证明了这一点。     

论远程高校教师校本培训模式的构建

在分析远程高校教师校本培训现状的基础上,提出远程高校教师要构建自组织与被动组织相结合的机制,充分利用远程式的培训技术和方式,设立教师培训专项基金,建立专家引领的培训模式,使远程高校教师校本培训得以健康发展.     

高职新生英语学习适应与学习策略的转变

通过对高职新生入学后英语学习适应调查结果的分析研究,探讨普遍存在的新生适应不良问题。高职新生必须在英语学习策略上做出改变,第一是学习观念与习惯的改变;第二是通过活动转变被动局面;第三是评价方式的改变。英语学习策略的转变有助于新生尽快适应高职英语学习。     

适用于连续数值标签的兴趣漂移增量学习方法

针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果.     

统计学习与知识发现

知识发现是将知识从隐性转化为显性的一个过程,它是知识管理的重要组成部分.为此阐述了利用统计学习的知识发现方法,以及统计学习中主要使用的分类学习,并强调了使用数据驱动指导知识构建的合理性和优越性,最后结合实例分析了几个主要的统计学习方法及其应用.     

开闭环PD型快速迭代学习控制方法及其在直流电动机中的应用

针对一类非线性系统的学习控制问题,提出了一种开闭环PD型快速迭代学习控制方法。此学习控制方法利用了系统当前的跟踪误差信号和前次迭代控制的跟踪误差信号,以及它们的微分信号,同时采用可调比例系数,根据系统误差的变化及时地调节比例系数,从而使目标的跟踪能力得到提高。通过分析给出了此快速迭代学习算法收敛的条件,直流电动机的仿真应用说明了此学习控制方法对于非线性系统具有较强的有效性和较好的可行性。     

基于小波的能源消费弹性系数预测方法

能源消费弹性系数反映了一个国家能源消费增长速度与国民经济增长速度之间的比例关系,是衡量一个国家能源利用效率的重要指标。鉴于数据中存在较多的噪声,首先用小波分析方法对数据进行滤波,然后用滤除了噪声的数据作为输入变量,用支持向量回归方法建模,并预测未来10年我国能源消费弹性系数变化的规律。实际数据检验表明,该预测方法还是可行的。     

模糊滑模迭代学习控制算法在液压系统中应用

普通比例(P, Proportion)和比例微分(PD, Proportion and Differential)迭 代学习控制(ILC, Iterative Learning Control)算法在液压位置伺服系统中收敛速度比较 慢,很难在实际中应用.为了提高ILC算法的收敛速度,将滑模控制算法引入ILC,提出模糊 滑模迭代学习控制(FSMILC, Fuzzy Sliding Mode Iterative Learning Control)算法,利 用滑模控制响应快的优点来加速ILC的收敛速度,利用模糊控制来减小滑模控制所引起的抖 动问题.FSMILC算法的实质是以系统的滑模函数作为模糊控制器的输入,以模糊控制器的输 出作为ILC的控制增量.通过仿真可以看出,FSMILC算法能够实现系统快速收敛,相对于P型 和PD型具有明显优势.      

基于分层式强化学习的移动机器人导航控制

针对未知环境下的移动机器人导航问题,本文提出了一种基于分层式强化学习的混合式控制方法。利用栅格-拓扑相结合的环境表示及地图学习方法,通过分层式强化学习在不同控制层次的扩展设计移动机器人的反应式和慎思式导航控制,实现了全局导航和局部导航控制的协调优化。实验及测试结果证明,该控制方法能实现导航任务的全局优化,避免陷入局部极小,并对未知动态环境具有较强的适应性。