基于行为学习的改进LapSVM算法及其应用
人工智能领域机器学习算法的发展和改进方面50个课题名称
人工智能领域机器学习算法的发展和改进方面50个课题名称以下是人工智能领域机器学习算法发展和改进方面的50个课题名称：1. 强化学习算法的深化和改进2. 基于深度学习的半监督学习算法3. 迁移学习在机器学习中的应用4. 集成学习算法的优化与改进5. 高效的大规模机器学习算法设计6. 多任务学习算法的发展与改进7. 深度学习模型压缩与加速技术8. 基于深度神经网络的生成模型算法9. 无监督学习算法的发展与改进10. 多模态学习算法的设计与应用11. 非凸优化问题在机器学习中的应用12. 弱监督学习算法的发展与改进13. 多样性和不确定性建模技术的研究14. 高维数据降维算法的设计与改进15. 时序数据建模与预测算法的研究16. 针对小样本学习问题的算法设计17. 对抗性学习算法的发展与应用18. 机器学习算法的可解释性研究19. 优化算法在深度学习中的应用20. 类别不平衡问题的机器学习算法21. 多源数据融合算法的研究与应用22. 复杂网络上的机器学习算法设计23. 时间序列分析与预测算法的改进24. 大规模图数据上的机器学习算法25. 自然语言处理中的机器学习算法研究26. 基于流形学习的机器学习算法优化27. 概率图模型与机器学习算法的结合28. 聚类算法在机器学习中的优化与应用29. 动态与在线学习算法的改进与发展30. 增强学习算法在机器人控制中的应用31. 基于深度学习的图像分割算法改进32. 基于强化学习的自适应控制算法33. 零样本学习算法的改进与发展34. 多标签学习算法的优化与研究35. 主动学习算法在机器学习中的应用36. 时间序列分类算法的改进与研究37. 基于深度学习的目标检测算法优化38. 分类器不一致性问题的研究与改进39. 稀疏学习算法在机器学习中的应用40. 多实例学习算法的优化与改进41. 近似推断算法在机器学习中的应用42. 基于深度学习的序列生成算法改进43. 高斯过程与贝叶斯优化的研究与应用44. 大规模非线性优化问题的算法设计45. 多目标优化算法在机器学习中的应用46. 鲁棒性和可靠性问题在机器学习中的研究47. 低秩矩阵分解算法的改进与优化48. 随机梯度下降算法的优化与改进49. 自适应学习算法在机器学习中的应用50. 可持续性和可扩展性问题的研究与改进。
基于改进YOLOv4算法的工程实验室信息化管理系统构建与应用
基于改进YOLOv4算法的工程实验室信息化管理系统构建与应用作者：邓爱民聂良鹏许鹏谌蛟潘涛来源：《粘接》2024年第02期doi：10.3969/j.issn.1001-5922.2024.02.042摘要：融合物联网技术、图像检测技术和深度学习算法，提出一种基于改进YOLOv4算法的工程检测实验室信息管理系统，通过WIFI+NB-IoT实现数据传递。
为了弥补YOLOv4算法在尺度分布不均匀时精度降低的问题，提出利用IK-means++算法，引入ECA注意力模块和阶梯状特征融合网络结构对算法进行改进，算法改进后浮点运算数量、模型参数量分别降低了25.1%和43.1%，FPS和mAP分别提高6.8帧/s和3.65%，改进后算法不仅收敛速度更快，而且在不同光线环境下的设备检测准确率均高于改进前。
将系统应用到工程实验室检测中，设备和环境各参数检测结果与标准仪器检测结果误差控制在±5%以内。
关键词：改进YOLOv4算法；信息管理系统； IK-means++算法；ECA注意力模块；阶梯状特征融合网络结构中图分类号：TP277 文献标志码：A 文章编号：1001-5922（2024）02-0159-04Construction and application of engineering laboratory information management system based on improved YOLOv4 algorithmDENG Aimin，NIE Liangpeng，XU Peng，CHEN Jiao，PAN Tao（YunnanTongqu Engineering Testing Co.，Ltd.，Kunming 650011，China）Abstract：Integrating Internet of Things technology，image detection technology and deep learning algorithm，an information management system for engineering testing laboratories based on improved YOLOv4 algorithm was proposed，and the data transmission was realized throughWIFI+NB-IoT.In order to make up for the problem of the reduced accuracy of the YOLOv4 algorithm when the scale distribution was uneven，the IK-means++ algorithm was proposed，and the algorithm was improved by introducing the ECA attention module and the stepped feature fusion network structure，and the number of floating-point operations and model parameters were reduced by 25.1% and 43.1%，respectively，and the FPS and mAP were increased by 6.8 frames/s and3.65%，respectively.The improved algorithm not only converged faster，but also had a higher detection accuracy than before the improvement in different light environments.The system was applied to the engineering laboratory testing，and the error between the test results of various parameters of the equipment and environment and the test results of standard instruments was controlled within ±5%.Key words：Improved YOLOv4 algorithm; information management system;IK-means++algorithm;ECA attention module; stepped feature fusion network structure實验室是高校培养实践型、创新型和综合型人才的重要平台，在实验室信息化管理中，最重要的就是要实现对实验设备的科学管理[1-5]，即实现设备信息化管理，物联网技术仅仅是实现了设备数据的交互，要实现设备的分类管理，还要利用图像检测技术，对检测到的数据进行识别分析[6]。
山东大学学报(工学版)总目次
第6期第50卷总目次山东大学学报(工学版）第50卷2020 年总目次机器学习与数据挖掘基于域对抗网络和B E R T 的跨领域文本情感分析...............基于V i B e 算法运动特征的关键帧提取算法......................自适应属性选择的实体对齐方法.............................基于门控循环单元与主动学习的协同过滤推荐算法...........基于异质集成学习的虚假评论检测..........................一种使用并行交错采样进行超分辨的方法....................基于校正神经网络的视频追踪算法...........................基于改进Y O L O v 3的复杂场景车辆分类与跟踪..................基于混合决策的改进鸟群算法..............................一种基于深度神经网络的句法要素识别方法..................基于多维相似度和情感词扩充的相同产品特征识别...........符号序列的L D A 主题特征表示方法 .........................基于元图归一化相似性度量的实体推荐.......................基于Laplacian 支持向量机和序列信息的m i c r o R N A -结合残基预测 基于三维剪切波变换和B M 4D 的图像去噪方法................................蔡国永，林强，任凯琪（1-1)……李秋玲，邵宝民，赵磊，王振，姜雪（1-8)……苏佳林，王元卓，靳小龙，程学旗（1-14)......陈德蕾，王成，陈建伟，吴以茵（1-21)…张大鹏，刘雅军，张伟，沈芬，杨建盛（2-1)........................朱安，徐初（2-10)...........陈宁宁，赵建伟，周正华（2-17).............宋士奇，朴燕，蒋泽新（2-27)闫威，张达敏，张绘娟，辛梓芸，陈忠云（2-34)......陈艳平，冯丽，秦永彬，黄瑞章（2-44)...................胡龙茂，胡学钢（2-50).............冯超，徐鲲鹏，陈黎飞（2-60).............张文凯，禹可，吴晓非（2-66).....................马昕，王雪（2-76)......张胜男，王雷，常春红，郝本利（2-83)基于预测数据特征的空气质量预测方法...................................................................................................高铭壑，张莹，张蓉蓉,黄子豪，黄琳焱，李繁菀，张昕，王彦浩（2-91)基于轻型卷积神经网络的火焰检测方法..........................严云洋，杜晨锡，刘以安，高尚兵（2-100)基于深度学习的洗衣机异常音检测..........................李春阳，李楠，冯涛，王朱贺，马靖凯（2-108)语义分析及向量化大数据跨站脚本攻击智检.....................................张海军，陈映辉（2-118)自然语言问答中的语义关系识别.....................一种Chirplet 神经网络自动目标识别算法..............基于G a b o r 特征的乳腺肿瘤M R 图像分类识别模型......基于U A R T 串口的多机通讯.............................基于多模态子空间学习的语义标签生成方法.........基于背景复杂度自适应距离阈值修正的S u B S E N S E 算法基于双重启发式信息求解影响最大化问题的蚁群算法…联合检测的自适应融合目标跟踪.....................基于核极限学习机自编码器的标记分布学习.........基于集成学习〇,的质量浓度预测模型................基于空间注意力和卷积神经网络的视觉情感分析..............................段江丽，胡新（3-1)......................李怡霏，郭尊华（3-8).........袁高腾，刘毅慧，黄伟，胡兵（3-15).............................马金平（3-24)田楓，李欣，刘芳，李闯，孙小强，杜睿山（3-31)...............成科扬，孙爽，詹永照（3-38)•…覃俊，李蔚栋，易金莉，刘晶，马懋德（3-45)...............刘保成，朴燕，宋雪梅（3-51).......王一宾，李田力，程玉胜，钱坤（3-58)..................彭岩，冯婷婷，王洁（4-1)............蔡国永，贺歆灏，储阳阳（4-8)• 2 ■山东大学学报（工学版)第50卷一种基于多目标的容器云任务调度算法...............基于卷积神经网络的深度线段分类算法................基于类激活映射-注意力机制的图像描述方法...........基于Bi -LSTM 的脑电情绪识别.........................带特征指标约束描述的设计模式分类挖掘..............基于NRC 和多模态残差神经网络的肺部肿瘤良恶性分类中文对话理解中基于预训练的意图分类和槽填充联合模型融合残差块注意力机制和生成对抗网络的海马体分割••…........................谢晓兰，王琦（4-14)..............赵宁宁，唐雪嵩，赵鸣博（4-22).....廖南星，周世斌，张国鹏，程德强（4-28)..................刘帅，王磊，丁旭涛（4-35).....肖卓宇，何锫，陈果,徐运标，郭杰（6-48)■•…霍兵强，周涛，陆惠玲，董雅丽，刘珊（6-59)........................马常霞，张晨（6-68)张月芳，邓红霞，呼春香，钱冠宇，李海芳（6-76)控制科学与工程基于空间隐患分布与运动意图解析的危险评估方法........一类非仿射非线性大系统的结构在线扩展.................GPRS 监管的多协议异构现场总线控制系统................基于新型趋近律的参数未知分数阶Rucklidge 系统的滑模同步分数阶Brussel 系统混沌同步的三种控制方案...............一类非线性混沌系统的自适应滑模同步...................含对数项分数阶T 混沌系统的滑模同步...................赵越男，陈桂友，孙琛，卢宁，譽立伟（1 -28)............曹小洁，李小华，刘辉（1-35)……侯鹏飞，孙竹梅，王琦，白建云（1-49).........王春彦，邸金红，毛北行（4-40).........................程春蕊（4-46)..................程春蕊，毛北行（5-1)..................孟晓玲，毛北行（5-7)土木工程含层状节理岩体力学性质数值模拟研究.......................................徐子瑶，虞松，付强（3-66)水泥土搅拌桩沿海软基处理..............................................吕国仁，葛建东，肖海涛（3-73)高地应力下砂岩力学参数和波速变化规律试验研究..............................宫嘉辰，陈士海（3-82)饱和地基中单排孔近场隔振的现场试验与数值分析智慧公路关键技术发展综述...................双节理岩体T B M 滚刀破岩过程数值模拟......基于熵值法的水利施工企业绩效考核K P I 设计方法偏压大跨小净距公路隧道施工力学行为..........基于B P 神经网络算法的结构振动模态模糊控制••砂土介质中颗粒浆液扩散距离变化规律........预应力中空棒构件设计与力学特性..............隐伏溶洞对隧道围岩稳定性影响规律及处治技术硬岩隧道纯钢纤维混凝土管片应用..............喷扩锥台压灌桩最优构造.......................松散地层隧道进洞段管棚注浆加固效应分析……孙连勇，时刚，崔新壮，周明祥，王永军，纪方，闫小东（3-88)................................吴建清，宋修广（4-52)施雪松，管清正，王文扬，许振浩，林鹏，王孝特，刘洁（4-70).........................................程森(4-80)........................................王春国（4-85)...........................王志伟，葛楠，李春伟（5-13)........................冯啸，夏冲，王凤刚，张兵（5-20).............................林超，张程林，王勇（5-26).....................陈禹成，王朝阳，郭明，林鹏（5-33)..............徐振，李德明，王彬，詹谷益，张世杰（5-44)...........李连祥，邢宏侠，李金良，黄亨利，王雷（6-82)...................余俊，翁贤杰，樊文胜，张连震（6-92)机械与能动工程柔性Rushton 桨的振动特性.........................................................刘欣，杨锋茶（5-50)湿法脱硫塔一维传热传质性能模型理论与试验.....................陈保奎，孙奉仲，高明，史月涛（5-56)波浪能发电装置浮体形状参数对俘能性能影响............刘延俊，王伟，陈志，王冬海,王登帅，薛钢（6-1)深拖地震线列阵的动力学建模与位置预报...................朱向前,魏峥嵘，裴彦良，于凯本，宗乐（6-9)淹没深度对三自由度波能浮子获能的影响........................黄淑亭，翟晓宇，刘延俊，史宏达（6-17)尾缘襟翼振荡水翼的水动力特性.................................孙光，王勇，谢玉东，陈晨，张玉兵（6-23)深海带电插拔连接器力学特性分析…韩家桢，王勇，谢玉东，王启先，张新标，高文彬，李荣兰，张传军（6-30) 振荡翼改进运动模型的能量捕获性能分析............................乔凯，王启先，王勇，谢玉东（6-40)第6期第50卷总目次电气工程能源消费发展及预测方法综述..............................杨明，杜萍静，刘凤全，郝旭鹏，孛一凡（1-56)基于物理不可克隆函数的电网NB-IoT端到端安全加密方案............................................................................................刘冬兰，刘新，陈剑飞，王文婷，张昊，马雷，李冬（丨-63)中央空调紧急控制应对受端电网直流闭锁故障研究.................................................................................................刘萌，程定一，张文，张恒旭，李宽，张国辉，苏建军U-72)风电爬坡事件的非精确条件概率预测..........................王勃，汪步惟，杨明，赵元春，朱文立（丨-82)考虑同步调相机无功特性的多馈入直流同时换相失败风险评估方法............................................................................................麻常辉，王亮，谭邵卿，卢奕，马欢，赵康（3-98)考虑路灯充电桩接入的城市配电网电压控制方法............宋士瞻，陈浩宇，张健，王坤，郝庆水（3-104)基于分时电价的含光伏的智慧家庭能量调度方法…潘志远，刘超男，李宏伟，王婧，王威，刘静，郑鑫（3-111)基于弹性梯度下降算法的B P神经网络降雨径流预报模型..........金保明，卢光毅，王伟，杜伦阅（3-117)基于学习理论的含光储联合系统的输电网双层规划……孙东磊，赵龙，秦敬涛，韩学山，杨明，王明强（4-90) 考虑内部动态约束的MMC功率运行区间的确定及控制方法……张锋,杨桂兴，岳晨晶，郝全睿，李东（4 - 9 8)虾米腰弯管内置导流板优化...................................祁金胜，曹洪振，石岩，杜文静，王湛（5-64)基于B P神经网络的短期光伏集群功率区间预测........孙东磊，王艳，于一潇，韩学山，杨明，闰芳晴（5-70)偏心方圆节扩散管数值模拟.................................曹洪振,祁金胜，袁宝强，杜文静，王湛（5-77)烟气成分对湿式电除尘器电晕放电特性的影响.................王磊，张玉磊，李兆东，张金峰，王翔（5-83)含电极式电锅炉的地区电网电源侧综合效益分析......葛维春，李昭，赵东，李振宇，叶青，傅予，于娜（5-90)基于特征频带相电流提取的故障选相和选线方法........................张贺军，王鹏，徐凯，石访（5-99)电动汽车虚拟储能可用容量建模.......................................李蓓，赵松，谢志佳，牛萌（6-101)基于RTDS的配电网一二次融合仿真技术...............李志，余绍峰，苏毅方，王蔚，蒋宏图，张伟（6-112)芒刺参数对电晕放电及细颗粒物脱除特性的影响............................王磊，李明臻，王翔（6-118)含不凝气蒸汽在锯齿形表面的凝结传热特性............................闫吉庆，王效嘉，田茂诚（6-129)化学与环境济南城区大气PM2.5、PM,。
基于强化学习的智能优化算法研究与应用
基于强化学习的智能优化算法研究与应用近年来，随着人工智能和机器学习领域的迅猛发展，基于强化学习的智能优化算法逐渐成为研究热点。
强化学习作为一种通过与环境互动学习最优策略的智能算法，已经在许多领域取得了显著的成果。
本文将探讨基于强化学习的智能优化算法在各个领域的应用，并展望其未来发展。
一、强化学习的基本原理强化学习是一种通过学习代理与环境互动的奖励信号，从而找到最优策略的智能算法。
其主要目标是使代理在未知环境下获得最大的累积奖励。
强化学习算法通常包括四个主要组成部分：状态（State）、动作（Action）、奖励（Reward）和策略（Policy）。
二、基于强化学习的智能优化算法研究1.强化学习在组合优化中的应用组合优化问题是强化学习的重要应用领域之一。
近年来，许多研究者将强化学习应用于旅行商问题（TSP）、背包问题（KP）等组合优化问题，并取得了良好的效果。
2.强化学习在机器学习中的应用强化学习在机器学习领域的应用也取得了显著成果。
例如，深度强化学习（DRL）已经被成功应用于图像识别、自然语言处理等领域。
通过与深度学习的结合，强化学习能够更好地解决复杂任务。
3.强化学习在控制工程中的应用控制工程是强化学习的另一个重要应用领域。
基于强化学习的自适应控制算法，如模型预测控制（MPC）和强化学习控制（RLC），在工业控制、自动驾驶等方面具有广泛的应用前景。
4.强化学习在自然语言处理中的应用强化学习在自然语言处理领域也取得了不少成果。
例如，通过强化学习，机器可以学会根据上下文生成合适的词语，从而提高机器翻译和文本生成的质量。
三、基于强化学习的智能优化算法挑战与发展尽管基于强化学习的智能优化算法已经在许多领域取得了显著成果，但仍面临一些挑战，如探索与利用的平衡、计算复杂性、模型泛化能力等。
为了应对这些挑战，研究者们提出了许多改进方法，如采用元学习、迁移学习等策略。
未来，基于强化学习的智能优化算法将在以下几个方面取得更多突破：1. 多智能体强化学习多智能体强化学习旨在解决多个代理在复杂环境中的协同与竞争问题。
一种新型的群智能优化技术的研究与应用麻雀搜索算法
一种新型的群智能优化技术的研究与应用麻雀搜索算法一、本文概述随着科技的不断进步和应用领域的日益拓宽，群智能优化技术已成为解决复杂优化问题的重要工具。
群智能优化技术模仿自然界中生物群体的行为特性，通过个体间的协作和信息共享，达到全局最优解的搜索。
近年来，群智能优化算法在众多领域，如机器学习、函数优化、路径规划等，均取得了显著的成果。
本文旨在介绍一种新型的群智能优化技术——麻雀搜索算法（Sparrow Search Algorithm, SSA），并探讨其原理、特点、实现方法以及在各类实际问题中的应用。
麻雀搜索算法作为一种新兴的群智能优化技术，结合了自然界中麻雀群体觅食行为的智能特性，通过模拟麻雀群体中的信息交流、合作和竞争机制，实现高效的全局搜索和局部寻优。
该算法在求解复杂优化问题时展现出独特的优势和潜力，为解决多模态、非线性、大规模优化问题提供了新的思路和方法。
本文首先对麻雀搜索算法的基本原理和核心思想进行详细阐述，包括其灵感来源、数学模型、关键参数和操作流程等。
通过对比实验和案例分析，探讨麻雀搜索算法在不同优化问题中的性能表现和适用范围，验证其有效性和优越性。
结合实际应用场景，介绍麻雀搜索算法在工程优化、路径规划、机器学习等领域中的具体应用案例，展望其未来的发展前景和研究方向。
二、麻雀搜索算法的基本原理麻雀搜索算法是一种新型的群智能优化技术，它借鉴了自然界中麻雀群体的行为特性，通过模拟麻雀在觅食、飞行和社交过程中的智能行为，实现了高效的搜索和优化功能。
该算法的基本原理主要包括以下几个方面：群体智能与个体行为：麻雀搜索算法充分利用了群体智能的概念，即多个麻雀个体通过相互协作和信息共享，共同寻找最优解。
每个麻雀个体在搜索空间中独立行动，并通过与其他个体的交互，不断更新自身的位置和状态。
信息素与引导机制：算法中引入了信息素的概念，类似于自然界中动物留下的气味标记。
麻雀通过感知周围环境中的信息素，来判断食物来源或其他麻雀的位置。
基于半监督学习的图像分类算法研究
基于半监督学习的图像分类算法研究近年来，随着深度学习领域的不断发展，图像分类一直是研究的重点之一。
而基于深度学习的图像分类算法通常需要大量标注数据，但实际上，标注数据的获取成本较高且耗时，因此研究半监督学习算法成为图像分类领域的重点之一。
半监督学习是一种介于监督学习和无监督学习之间的学习方式。
它利用有标注的数据和未标注的数据来提高学习效果。
在图像分类中，一般使用半监督学习算法来利用未标注数据来提高分类器准确率。
拉普拉斯典型性中心化算法（LapSVM）是一种典型的半监督学习算法，它基于数据流形理论，将未标注数据投影到标注数据的子空间中，从而利用未标注数据来提高模型准确率。
这种算法是一种非常有效的半监督学习算法，适用于许多图像分类问题。
除了LapSVM算法，还有许多其他半监督图像分类算法被应用于实际问题中。
例如，一些基于自编码器的算法，它们利用自编码器来学习特征，并且使用已标注和未标注的数据来提高准确率。
同时，一些基于生成对抗网络（GAN）的算法也被应用于图像分类问题。
虽然半监督学习算法在图像分类领域中得到了广泛的应用，但它仍然存在一些局限性。
首先，如果未标注数据的质量很差，利用它们来提高分类器的准确率可能会失败。
其次，对于一些不均匀分布的分类类别，未标注数据无法提供足够的信息来提高分类器的准确率。
总的来说，半监督图像分类算法是一种非常有前景的研究方向。
通过利用未标注数据来提高分类器的准确率，它可以减少标注数据的需求，从而降低了分类算法的成本。
随着深度学习领域的不断发展，半监督学习算法的研究也将继续深入。
介绍常见的半监督学习算法及其应用场景
介绍常见的半监督学习算法及其应用场景半监督学习（semi-supervised learning）是一种结合了有标签数据和无标签数据的机器学习方法，旨在通过无标签数据的辅助来提高模型的性能。
相对于监督学习只利用有标签数据和无监督学习只利用无标签数据的方法，半监督学习更充分利用了现实世界中的数据。
在实际应用中，标记数据往往很难获取或者标注成本较高，而通过大量的无标签数据可以获得更多的信息。
半监督学习正是基于这一前提，通过在训练过程中结合有标签数据和无标签数据，充分挖掘无标签数据的潜在信息，提高模型的泛化能力。
下面将介绍几种常见的半监督学习算法及其应用场景：1. 基于标签传播的算法（Label Propagation）基于标签传播的算法是一种经典的半监督学习算法，其基本思想是将有标签数据的标签信息传播到无标签数据上，从而为无标签数据赋予标签。
该算法通过利用数据之间的相似性，将相似的数据样本赋予相似的标签。
应用场景包括社交网络分析、图像分割等。
2. 生成式模型方法（Generative Models）生成式模型方法是另一种常见的半监督学习方法，通常使用生成模型来对数据进行建模。
它假设数据是由隐变量和观测变量共同生成的，通过最大化有标签数据和无标签数据之间的条件概率来提高模型的鲁棒性。
生成式模型方法常用于文本分类、图像分类、手写体识别等任务。
3. 协同训练（Co-training）协同训练是一种基于多任务学习的半监督学习方法，通过利用不同的特征子集来训练多个相互补充的分类器。
其中每个分类器使用有标签数据训练，然后利用无标签数据进行模型评估和更新。
这种方法通常适用于数据特征较为丰富的场景，如文本分类、图像识别等。
4. 图半监督学习（Graph-based Semi-Supervised Learning）图半监督学习是一种基于图的半监督学习方法，通过构建数据样本之间的图结构来进行学习。
通过图的结构信息，可以有效利用无标签数据的相互关联性，从而提高模型的性能。
基于改进YOLOv5_的旋转目标检测算法及其应用研究
第44卷第19期包装工程2023年10月PACKAGING ENGINEERING·229·基于改进YOLOv5的旋转目标检测算法及其应用研究沈中华1，陈万委1，甘增康2*（1.桂林理工大学机械与控制工程学院，广西桂林541006；2.深圳职业技术学院智能制造研究院，广东深圳518055）摘要：目的提高工业分拣上常见的纹理多样、随机堆放盒体的检测与识别能力。
方法提出一种基于YOLOv5的旋转目标检测算法，该算法包括目标分类、位姿角度识别和边界框位置定位3个模块功能。
目标分类模块中，通过自建数据集和设计8种目标分类标签以供模型分类学习；位姿角度识别模块对YOLOv5头网络中添加角度预测分支，引入环形平滑标签角度分类方法，实现分拣盒体的旋转角度精准检测；在边界框位置定位模块上，使用L CIoU回归框损失函数来计算旋转框回归损失，得到紧密包裹目标位置的边界框。
结果改进的YOLOv5算法在自建数据集上检测精度达到95.03%，在机器人多物体分拣实验中的准确率可达100%。
结论本文算法在盒体处于散乱堆放、密集堆放、堆叠堆放场景下均具有较高的定位与识别精度。
关键词：杂乱盒体；YOLOv5；环形平滑标签；旋转角度检测中图分类号：TP391 文献标识码：A 文章编号：1001-3563(2023)19-0229-09DOI：10.19554/ki.1001-3563.2023.19.030Research on Rotating Target Detection Algorithm and Application Based onImproved YOLOv5SHEN Zhong-hua1, CHEN Wan-wei1, GAN Zeng-kang2*(1. College of Mechanical and Control Engineering, Guilin University of Technology, Guangxi Guilin 541006, China;2. Institute of Intelligent Manufacturing Technology, Shenzhen Polytechnic University, Guangdong Shenzhen 518055, China)ABSTRACT: The work aims to improve the detection and recognition ability of boxes with various textures and scattered stacking, which are common in industrial sorting. A rotating target detection algorithm based on YOLOv5 was proposed.This algorithm included three modules: target classification, pose angle recognition and boundary box location. In the target classification module, self-built data sets and eight target classification labels were designed for model classifica-tion learning; In the pose angle recognition module, an angle prediction branch was added to the YOLOv5-head network.The angle classification method of circular smooth label was introduced to realize accurate detection of rotation angle of sorting boxes; In the boundary box location module, the L CIoU regression box loss function was used to calculate the re-gression loss of the rotating box, and the boundary box that tightly wrapped the target position was obtained. The detec-tion accuracy of the improved YOLOv5 algorithm in the self-built data set reached 95.03%. In the robot multi object sorting experiment, the accuracy rate reached 100%. The algorithm in this paper has high positioning and identification accuracy when boxes are in scattered, dense and stacked conditions.KEY WORDS: messy Box; YOLOv5; ring smooth label; rotation angle detection收稿日期：2023-02-08·230·包装工程2023年10月在当今电子商务盛行的背景下，仓储物流需要频繁地对商品进行保管、存储、配送及装卸搬运。
非线性系统智能控制算法的研究与应用
非线性系统智能控制算法的研究与应用随着科技的快速发展，非线性系统在现代工程技术中的应用越来越广泛。
非线性系统问题的解决需要相对复杂的数学和物理模型，加上非线性系统难以发现特征值，对传统控制方法的稳定性等方面的要求也更高。
智能控制算法的出现给非线性系统的问题提供了有效的解决方案，大大提高了非线性系统控制的精度和效率。
非线性系统智能控制算法主要包括模糊控制、神经网络控制、遗传算法控制等，这些算法的出现一定程度上弥补了传统线性控制系统在非线性控制领域的不足，也取得了很高的应用价值。
一、模糊控制模糊控制是通过提供符合人类的思维模式来实现自适应控制的一种方法，它可以在非线性系统控制中应用。
该控制方法的优势在于对于复杂问题建模能力强，适合应用于非线性的控制问题中。
在智能控制中，模糊控制器主要由何种控制规则构成，以及如何对它们进行分析来确定输出控制的变量值。
模糊控制器通常将小数、整数和语言描述转化为逻辑形式，这种方法可以避免特定条件的误导性对大多数系统的控制造成的影响，提高了非线性系统控制精度和效率。
二、神经网络控制神经网络控制是一种由多个神经元组成的复杂系统，结构类似于人类大脑的神经网络。
神经网络控制器可以对系统的非线性动态行为进行预测，通过学习和训练使控制策略不断优化，从而提高控制精度和效率。
与模糊控制相比，神经网络控制在设计时不需要任何的数学模型，更加适合复杂系统和噪声较大情况下的控制。
三、遗传算法控制遗传算法控制是一种基于遗传学原理的智能控制方法，该算法通过将控制参数进行编码，利用自然选择和遗传变异的机制进行控制策略的优化，达到提高非线性系统控制效率的目的。
对于非线性系统，遗传算法控制可以通过一定的迭代计算使得得到的控制策略得到优化，达到自适应控制达到优化效果。
综上所述，智能控制在非线性系统控制中发挥着重要作用。
模糊控制、神经网络控制和遗传算法控制在非线性系统控制应用中起着重要的促进作用，进一步推动了非线性系统控制技术的发展。
基于改进SURF算法的双目视觉测量系统研究
· ６５ ·
文章编号：１６７１ ４５９８（２０１８）０８ ００６５ ０４ ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０１８．０８．０１５ 中图分类号：ＴＰ３９ 文献标识码：Ａ
本文的改进算法是在经典surf图像匹配算法特征点检测及特征向量描述的基础上首先采用双向特征向量匹配策略对经典surf算法得到的匹配点集进行初始过滤接下来采用prosac算法根据极线约束模型对初始过滤后的匹配点集进行二次筛选得到最终的优质匹配集合算法流程如图2所示
测试与故障诊断
计 算 机 测 量 与 控 制 ．２０１８．２６（８） 犆狅犿狆狌狋犲狉 犕犲犪狊狌狉犲犿犲狀狋 牔 犆狅狀狋狉狅犾
基 于 改 进 犛犝犚犉 算 法 的 双 目 视械与汽车工程学院，广州 ５１０６４０）
摘 要 ：针 对 双 目 视 觉 测 量 中 所 使 用 的 ＳＵＲＦ 图 像 匹 配 算 法 精 度 不 高 的 问 题 ，提 出 了 一 种 改 进 ＳＵＲＦ 算 法 的 图 像 匹 配 方 法 并 将 其 运 用 到 双 目 视 觉 测 量 中 ；首 先 通 过 经 典 ＳＵＲＦ 算 法 检 测 和 描 述 图 像 特 征 点 、特 征 向 量 ；其 次 采 用 双 向 特 征 向 量 匹 配 策 略 对 匹 配 点 进 行 初 始 过 滤 ；最 后 采 用 ＰＲＯＳＡＣ 算 法 根 据 极 线 约 束 几 何 模 型 对 初 始 过 滤 后 的 匹 配 点 进 行 二 次 筛 选 ， 得 到 最 终 的 优 质 匹 配 集 合 ； 实 验 表 明 ，改 进 ＳＵＲＦ 算 法 具 有 更 高 的 匹 配 准 确 性 和 较 好 的 算 法 实 时 性 ，运 用 改 进 ＳＵＲＦ 匹 配 算 法 的 双 目 测 量 系 统 可 实 现 更 准确的目标测距定位。
一种改进型Q学习算法及其在行为树中的应用
Ｔｕ Ｈａ ｏ Ｌｉ ｕ Ｈｏ ｎｇ ｘ ｉ ｎ ｇ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆＣ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｗ ｕ ｈ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆＴ ｏ ｅ ｃ ｈ ｏｌ ｎ ｏ ｇ ｙ ， Ｗｕ ｈ ａ ｎ ４ ３ ０ ０ ６ ３ ， Ｈ ｕ ｂ ｅ ｉ ， Ｃ ｈ ｉ ｎ ａ ）
的不足。将该 算法运用到行为树的设计 中， 使Ｎ Ｐ Ｃ能在游戏过程 中实时学 习， 调整行为树 中逻辑行为的最佳执 行点， 从 而 产 生 合 适 的行 为 响 应。 实 验 结 果 表 明 ， Ｓ Ａ — Ｑ Ｌ算 法 比传 统 Ｑ 学 习算 法 效 率 更 高 ， 控制 Ｎ Ｐ Ｃ 的 效 果
ａ ｄ ｊ ｕ ｓ ｔ ｔ ｈ ｅ ｂ ｅ ｓ ｔ ｅ ｘ ｅ ｃ ｕ ｔ ｉ ｏ ｎ ｐ ｏ ｉ ｎ ｔ ｏ ｆ ｔ ｈ ｅ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｂ ｅ ｈ ａ ｖ ｉ ｏ ｕ ｒ ｉ ｎ ｔ ｈ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｏ ｆ ｔ ｈ ｅ ｇ ａ ｍ ｅ ｉ ｎ ｒ ｅ ａ ｌ ｔ ｉ ｍｅ ，ａ ｎ ｄ ｐ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｔ ｈ ｅ
ａ ｐ ｐ ｒ ｏ ｐ ｉ ｒ ａ ｔ ｅ ｂ ｅ ｈ ａ ｖ ｉ ｏ ｒ ｒ ｅ ｓ ｐ ｏ ｎ ｓ ｅ ．Ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｅ ｄ ｔ ｈ ａ ｔ ｔ ｈ ｅ Ｓ Ａ ・ Ｑ Ｌ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｗ ａ ｓ ｍｏ ｒ ｅ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｔ ｈ ａ ｎ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ Ｑ — ｌ ｅ ａ ｎｉ ｒ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， ａ ｎ ｄ ｈ ａ ｄ ｂ ｅ ｔ ｔ ｅ ｒ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｅ ｆ ｆ ｅ ｃ ｔ ｏ ｎ Ｎ Ｐ Ｃ ． Ｋｅ ｙ ｗ ｏ ｒ ｄ ｓ Ｇ ａ ｍｅ Ａ Ｉ Ｂ ｅ ｈ ａ ｖ ｉ ｏ ｕ ｒ ｄ ｅ ｃ ｉ ｓ ｉ ｏ ｎ Ｑ． １ ｅ ａ ｎｉ ｒ ｎ ｇ Ｂ ｅ ｈ ａ ｖ ｉ ｏ ｕ ｒ ｔ ｒ ｅ ｅ
改进的并行SVM回归算法
ｂ ｙ ｓ ｅ ｑ ｕｅ ｎ ｔ ｉ ａ ｌ ｍｉ ｎｉ ｍａ ｌ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ． Ｔｈ ｅ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｒ ｅ ｒｅ ｇ ｓ ｓ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｏ ｆ ｔ ｈ ｅ ｎ ｅ ａ ｒ ｅ ｓ ｔ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｔ ｏ ｔ ｅ ｓ ｔ ｓ ａ ｍｐ ｌ ｅ ｉ ｓ ｓ ｅ ｌ ｅ ｃ ｔ ｅ ｄ ｔ ｏ ｐ ｒ ｅ ｄｉ ｃ ｔ ． Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｔ ｅ ｓ ｔ ｉ ｎｇ ｓ ｈ ｏ ｗ： Ｉ ｍｐ ｏ ｖ ｅ ｄ ｐａ ｒ ａ ｌ ｌ ｅ ｌ Ｓ ＶＭ ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｆ ｅ ａ ｓ ｉ － ｂ ｌ ｅ ａ ｎ ｄ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ： ｓ ｕ ｐ ｐ ｏ ￣ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎ ｅ； Ｋ— ｍｅ ａ ｎｓ ｃ ｌ ｕｓ ｔ ｅ ｒ ｉ ｎ ｇ； ｐ ａ ｒ ａ ｌ ｌ ｅ ｌ ｃ ｏ ｍｐ ｕ ｔ ｉ ｎ ｇ； ｓ ｅ ｑ ｕ ｅ ｎｔ ｉ ａ ｌ ｍｉ ｎ ｉ ｍａ ｌ ｏ ｐ ｔ ｉ ｍｉ — ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ
人工智能领域机器学习算法的发展和改进方面88个课题名称
人工智能领域机器学习算法的发展和改进方面88个课题名称以下是人工智能领域机器学习算法发展和改进方面的88个课题名称：1.深度学习在图像识别中的应用优化研究2.强化学习算法的性能优化和改进3.集成学习算法的研究和改进4.递归神经网络的改进和应用研究5.卷积神经网络的优化和改进6.长短时记忆网络的改进和应用研究7.生成对抗网络的改进和应用研究8.遗传算法的性能改进和应用研究9.高斯过程回归的改进和应用研究10.支持向量机的性能优化和改进11.贝叶斯网络的改进和应用研究12.深度强化学习算法在游戏中的应用研究13.多任务学习算法的改进和优化14.核回归的改进和应用研究15.半监督学习算法的性能优化和改进16.稀疏编码的改进和应用研究17.卷积神经网络在目标检测中的应用优化研究18.深度学习算法在自然语言处理中的应用研究19.集成学习算法在异常检测中的应用研究20.强化学习算法在机器人控制中的应用研究21.非负矩阵分解的改进和应用研究22.稀疏表示的改进和应用研究23.类别不平衡问题的解决方案研究24.神经图网络的改进和应用研究25.随机森林的改进和应用研究26.多目标优化问题的解决方案研究27.决策树的改进和应用研究28.实例分割算法的性能优化和改进29.预训练模型的性能改进和应用研究30.图卷积神经网络的改进和应用研究31.模型蒸馏的改进和应用研究32.增强学习算法在智能驾驶中的应用研究33.粒子群优化算法的性能改进和应用研究34.反向传播算法的改进和优化35.人工神经网络的结构优化研究36.迁移学习算法的改进和应用研究37.深度学习算法在人脸识别中的应用优化研究38.强化学习算法在机器人路径规划中的应用研究39.结构化预测方法的改进和应用研究40.概率图模型的改进和应用研究41.马尔可夫决策过程的优化和改进42.分类器集成的改进和应用研究43.数据降维算法的优化和改进44.图像分割算法的改进和应用研究45.集成学习算法在推荐系统中的应用研究46.神经架构搜索的改进和应用研究47.特征选择算法的性能优化和改进48.序列标注算法的改进和应用研究49.非线性回归算法的改进和应用研究50.深度学习算法在视频分析中的应用研究51.目标跟踪算法的改进和应用研究52.强化学习算法在机器人导航中的应用研究53.神经网络的正则化方法研究54.大规模数据处理算法的性能优化和改进55.特征学习算法的改进和应用研究56.自然语言处理算法的性能优化和改进57.半监督学习算法在聚类中的应用研究58.图像生成算法的改进和应用研究59.迁移学习算法在图像分类中的应用研究60.强化学习算法在智能体控制中的应用研究61.结构化预测算法在自然语言处理中的应用研究62.集成学习算法在图像分割中的应用研究63.数据分布偏移问题的解决方案研究64.半监督学习算法在目标检测中的应用研究65.图卷积神经网络在图像分类中的应用研究66.线性回归算法的改进和应用研究67.强化学习算法在交通流控制中的应用研究68.缺失数据处理算法的改进和应用研究69.深度学习算法在医学图像处理中的应用研究70.种群智能算法的改进和应用研究71.特征提取算法的性能优化和改进72.双向循环神经网络的改进和应用研究73.元学习算法的性能改进和应用研究74.多核学习算法的改进和应用研究75.强化学习算法在智能推荐系统中的应用研究76.不确定性建模算法的改进和应用研究77.集成学习算法在异常检测中的应用研究78.图像重建算法的改进和应用研究79.人工神经网络的学习率优化研究80.文本分类算法的性能优化和改进81.人工智能算法在金融风险评估中的应用研究82.强化学习算法在物体抓取中的应用研究83.分布式机器学习算法的改进和应用研究84.图像超分辨率算法的改进和应用研究85.机器学习算法在文本生成中的应用研究86.线性判别分析的改进和应用研究87.强化学习算法在智能游戏中的应用研究88.特征选择算法在医学诊断中的应用研究。
改进麻雀搜索算法优化支持向量机的人脸识别
第 22卷第 5期2023年 5月Vol.22 No.5May 2023软件导刊Software Guide改进麻雀搜索算法优化支持向量机的人脸识别周凯莉1，吴有超2，姜元昊1，周枫1（1.江苏科技大学计算机学院；2.江苏科技大学机械学院，江苏镇江 212003）摘要：为提升人脸识别的准确性，提出一种融合Tent混沌映射的麻雀搜索算法优化支持向量机参数的分类模型。
首先改进麻雀搜索算法，选择Tent映射初始化麻雀种群，提高发现者种群质量；然后加入自适应调整惯性权重策略，增强全局搜索能力与收敛速度；接下来添加柯西变异对适应度较好的个体进行突变，解决算法停滞问题；最后将改进后的麻雀搜索算法用于优化支持向量机的核参数与惩罚参数，动态调整人脸相似度的接受阈值，实现错误分类率评价指标数值的最小化。
结果显示，该方法在人脸识别分类中的准确率达到98.5%。
关键词：麻雀搜索算法；支持向量机；自适应调整惯性权重；柯西变异；人脸识别DOI：10.11907/rjdk.221410开放科学（资源服务）标识码（OSID）：中图分类号：TP391 文献标识码：A文章编号：1672-7800（2023）005-0035-07Face Recognition Based on SVM Optimized by Improved Sparrow SearchAlgorithmZHOU Kai-li1， WU You-chao2， JIANG Yuan-hao1， ZHOU Feng1（1.School of Computer， Jiangsu University of Science and Technology；2.Mechanical Engineering School， Jiangsu University of Science and Technology， Zhenjiang 212003，China）Abstract：In order to improve the accuracy of face recognition， a classification model of the sparrow search algorithm that integrates the chaot‐ic mapping of Tent is proposed. First of all， improve the sparrow search algorithm， select the test mapping initialization of the sparrow popula‐tion to improve the quality of the founder's population； add the adaptive adjustment of the inertial weight strategy， enhance the global search ability and convergence speed； Solve the problem of stagnation of algorithms. Then use the improved sparrow search algorithm to adjust the nu‐clear parameters and punishment parameters of the support vector machine， dynamically adjust the acceptance threshold of the face similarity，and minimize the value of the error classification rate evaluation index. The results show that this method has an accuracy rate of 98.5% in the face recognition classification.Key Words：sparrow search algorithm； support vector machine； adaptive adjustment of inertial weight； Cauchy variation； face recognition0 引言目前成熟的人脸识别与分类算法有卷积神经网络（Convolutional Neural Network，CNN）［1］、特征脸方法（Ei‐genfaces）［2］、局部二元模式直方图（Local Binary Patterns，LBP）、改进的特征脸方法（Face Net）［3］、三维识别、主成分分析（Principal Component Analysis，PCA）［4］与支持向量机（Support Vector Machine， SVM）结合的内核方法等。
人工智能领域强化学习和策略优化方面50个课题名称
人工智能领域强化学习和策略优化方面50个课题名称以下是人工智能领域强化学习和策略优化方面的50个课题名称：1. 强化学习在自动驾驶系统中的应用2. 深度强化学习算法的改进与优化3. 基于强化学习的机器人路径规划4. 强化学习在金融交易中的应用研究5. 强化学习算法在智能游戏中的应用6. 多智能体强化学习算法研究7. 强化学习在医疗诊断中的应用8. 强化学习在电力系统中的优化调度9. 基于深度学习的策略优化方法研究10. 强化学习在智能推荐系统中的应用11. 强化学习在网络安全中的应用研究12. 基于强化学习的自动化控制系统设计13. 强化学习在大数据分析中的应用14. 强化学习算法在教育领域中的应用15. 强化学习在物流调度中的应用研究16. 多目标强化学习算法研究17. 强化学习在智能手机系统中的应用18. 分布式强化学习框架的设计与优化19. 强化学习在无人机飞行控制中的应用20. 强化学习在自然语言处理中的应用研究21. 强化学习在智能制造中的应用研究22. 鲁棒强化学习算法的研究与改进23. 强化学习在供应链管理中的应用研究24. 分层强化学习算法研究与优化25. 强化学习在智能城市管理中的应用26. 非线性强化学习算法研究与应用27. 强化学习在决策支持系统中的应用28. 强化学习在环境监测中的应用研究29. 面向连续动作空间的强化学习算法研究30. 强化学习在虚拟现实系统中的应用31. 强化学习在机器人操纵中的应用研究32. 强化学习算法在自动化测试中的应用33. 强化学习在能源管理中的应用研究34. 面向不确定环境的强化学习算法研究35. 强化学习在智能家居系统中的应用36. 长时间强化学习算法研究与改进37. 强化学习在网络优化中的应用研究38. 强化学习算法在智能电网中的应用39. 强化学习在生物医学中的应用研究40. 强化学习在视频监控中的应用研究41. 强化学习在自适应控制中的应用研究42. 分级强化学习算法研究与优化43. 强化学习在无线通信中的优化研究44. 强化学习在智能电动车充电系统中的应用45. 强化学习算法在智能家居安全中的应用46. 强化学习在航空交通管制中的优化研究47. 强化学习在供应链网络中的协调调度48. 面向稀疏奖励的强化学习算法研究与改进49. 强化学习在物联网中的系统优化研究50. 强化学习在农业智能化中的应用研究。
基于行为科学理论的慕课个性化学习支持系统[发明专利]
![基于行为科学理论的慕课个性化学习支持系统[发明专利]](https://img.taocdn.com/s3/m/c0ab5e6c2a160b4e767f5acfa1c7aa00b42a9d47.png)
专利名称：基于行为科学理论的慕课个性化学习支持系统专利类型：发明专利
发明人：武星晔
申请号：CN202111496808.X
申请日：20211208
公开号：CN114254760A
公开日：
20220329
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于行为科学理论的慕课个性化学习支持系统，包括学习者模型系统、学习者认知情况判断系统、改善学习者学习行为系统三部分；首先依据往期已完成的慕课学习者学习数据，构建出若干可供参考的学习者模型；当有新的慕课学习者加入该课程时，为其提供多种学习模式，这些模式依赖于已建立的学习者模型，在学习者选择学习模式后，每周根据其学习行为判断其当周应学知识点的认知情况；当认知情况较差触发系统阈值后，改善学习者学习行为系统启动，介入到学习者的学习过程中，改善其学习行为，最终使学习者的学习行为与所选学习模式的学习者模型的学习行为趋于一致。
申请人：天津大学
地址：300072 天津市南开区卫津路92号
国籍：CN
代理机构：天津创智睿诚知识产权代理有限公司
代理人：王海滨
更多信息请下载全文后查看。
一种改进型Q学习算法及其在行为树中的应用
一种改进型Q学习算法及其在行为树中的应用涂浩;刘洪星【摘要】The non-player character (NPC) in a game gains intelligence by learning,so the design of the learning algorithm becomes the key issue.In this paper,an improved Q-learning algorithm (SA-QL) was proposed.Based on simulated annealing algorithm,the Q-learning algorithm was improved in the aspects of state space,exploration strategy and reward function.Then the algorithm was applied to the design of behaviour tree,so that the NPC could learn and adjust the best execution point of the logical behaviour in the process of the game in real time,and produced the appropriate behavior response.Experimental results showed that the SA-QL algorithm was more efficient than the traditional Q-learning algorithm,and had better control effect on NPC.%游戏中的非玩家角色(NPC)通过学习获得智能,因此学习算法的设计是一个关键问题.提出一种改进型Q学习算法(SA-QL),它以模拟退火算法为基础,在状态空间、探索策略、报酬函数等方面改进了Q学习算法的不足.将该算法运用到行为树的设计中,使NPC能在游戏过程中实时学习,调整行为树中逻辑行为的最佳执行点,从而产生合适的行为响应.实验结果表明,SA-QL算法比传统Q学习算法效率更高,控制NPC的效果更好.【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)012【总页数】5页(P235-239)【关键词】游戏人工智能;行为决策;Q学习;行为树【作者】涂浩;刘洪星【作者单位】武汉理工大学计算机科学与技术学院,湖北武汉430063;武汉理工大学计算机科学与技术学院,湖北武汉430063【正文语种】中文【中图分类】TP3行为树由于其简单、灵活和模块化等优势，被广泛用于设计游戏中非玩家角色(NPC)的行为决策。
基于Laplace变换下微分方程的解法及应用
基于Laplace变换下微分方程的解法及应用
谢小良
【期刊名称】《湖南城市学院学报》
【年(卷),期】2003(024)003
【摘要】提出用拉氏变换解微分方程的方法,使基于微分方程的数学模型易于求解.【总页数】2页(P85-86)
【作者】谢小良
【作者单位】湖南商学院,信息系,湖南,长沙,410205
【正文语种】中文
【中图分类】O172.1
【相关文献】
place变换在偏微分方程中的应用 [J], 崔海波
2.利用Laplace变换的分布阶微分方程数值解法 [J], 王征;胡长流
place变换在解微分方程中的应用研究 [J], 陆求赐
4.变系数线性微分方程的Laplace变换解法 [J], 金启胜
place变换在常系数线性微分方程求解中的应用 [J], 陈龙[1]
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进YOLOV5算法的学生课堂行为识别研究
基于改进YOLOV5算法的学生课堂行为识别研究
杨明远;左栋
【期刊名称】《信息记录材料》
【年(卷),期】2022(23)12
【摘要】将人工智能引入课堂教学活动,基于深度学习的方法智能识别学生在课堂上的行为,及时了解学生的上课状态,对教学改革具有积极作用。
传统的学生行为识
别方法有鲁棒性差,准确率不高等缺点。
本文使用深度学习的方法,自建学生课堂行
为数据集,在YOLOV5的基础上引入CA注意力机制,在模型检测速度不变的情况下,增强模型的鲁棒性,注意力机制从通道和空间两个维度有效提取学生课堂行为特征。
仿真表明,与YOLOV5模型相比,加入注意力机制的模型对抬头、低头、玩手机、举手、记笔记、睡觉、交头接耳七类学生课堂行为识别提升了2%左右的m
AP(mean Average Precision);对睡觉、玩手机、举手行为的识别准确率达到90%。
【总页数】4页(P51-53)
【作者】杨明远;左栋
【作者单位】华北水利水电大学数学与统计学院
【正文语种】中文
【中图分类】TP274
【相关文献】
1.基于改进YOLOv5模型的经济林木虫害目标检测算法研究
2.基于改进YOLOv5算法的升降机人员不安全行为识别方法
3.基于改进YOLOV5s网络的奶牛多尺度行为识别方法
4.基于改进YOLOv5的学生行为识别研究
5.基于改进Yolov5植物病害检测算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
lapjv原理
lapjv原理摘要：1.引言pjv 原理的背景和定义pjv 原理的应用领域pjv 原理的优缺点分析5.结论正文：【引言】本文将为您介绍lapjv 原理，包括其背景、定义、应用领域以及优缺点分析。
通过阅读本文，您将更好地理解lapjv 原理及其在实际问题中的应用。
【lapjv 原理的背景和定义】Laplace-based Jennings- vonneumann（lapjv）原理是一种基于Laplace 变换和Jennings- vonneumann 迭代法的优化算法。
它主要用于解决非线性规划问题，特别是带有非线性约束条件的优化问题。
该原理基于Laplace 变换的性质，可以将非线性问题转化为线性问题进行求解，从而提高计算效率。
【lapjv 原理的应用领域】lapjv 原理广泛应用于各种领域，如经济学、工程、物理学等。
其中，在经济学中，它可以用于解决生产优化、消费优化等问题；在工程中，可以用于结构优化设计、电路设计等问题；在物理学中，可以用于求解波动方程、薛定谔方程等。
【lapjv 原理的优缺点分析】优点：1.计算速度快：lapjv 原理基于Laplace 变换，可以将非线性问题转化为线性问题求解，降低计算复杂度。
2.适用范围广：lapjv 原理可以解决带有非线性约束条件的优化问题，适用于多种实际问题。
缺点：1.需要求解线性问题：lapjv 原理虽然可以提高计算效率，但仍需要求解线性问题，可能在大规模问题中计算量仍然较大。
2.参数敏感：lapjv 原理中的一些参数需要人工调整，可能影响优化效果。
【结论】总之，lapjv 原理是一种有效的优化方法，尤其适用于解决带有非线性约束条件的优化问题。
通过将非线性问题转化为线性问题求解，可以大大提高计算效率。
然而，lapjv 原理仍存在一些局限性，如需要求解线性问题以及参数敏感等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中图分类号 ：ＴＰ１８１
电子 信 息 对 抗 技 术
Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｗ ａｄａｒｅ Ｔｅｃｈｎｏｌｏｇｙ
文 献标 志码 ：Ａ
文章编号 ：１６７４—２２３０｛２０１８）０２—０ｏ３４—０９
基 于行 为 学 习 的改 进 ＬａｐＳＶＭ 算 法 及 其应 用
刘 振 ，卢 明 明 ，成 飞 ，王 树 光
Ｙ Ｉｌｆ ｌ ＋南
Ｘｉ）一 ｗ０．
记 与特 征矢量 间 的关 系 。ＬａｐＳＶＭ 的 主 要 工作 是 构建 数 据邻接 图 ．图的好 坏 将 直 接 影 响 到分 类 的 效果 及 效 率 。然 而 ，ＬａｐＳＶＭ 数 据 邻 接 图 的 构 造 仅仅 考 虑 了数 据 之 间 的距 离 信 息 ，忽 略 了样 本 特 征 空间 的类别 分 布信 。当存 在 样 本 重叠 或 样 本 分 布 不平衡 时 ，无 法准 确给 出样本 邻 域分布 ，最终将
Ｉｍ ｐｒｏｖｅｄ Ｌａｐｌａｃｉａｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍ ａｃｈｉｎｅ Ｂａｓｅｄ ｏｎ Ｂｅｈａｖｉｏｒａｌ Ｌｅａｒｎｉｎｇ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ
ＬＩＵ Ｚｈｅｎ，ＬＵ Ｍｉｎｇ－ｍｉｎｇ，ＣＨＥＮＧ Ｆｅｉ，Ｗ ＡＮＧ Ｓｈｕ－ｇｕａｎｇ
（Ｕｎｉｔ ９３１１６ ｏｆ ＰＬＡ，Ｓｈｅｎｙａｎｇ ｌ１００００，Ｃｈｉｎａ）
收稿 日期 ：２０１７—０８—３１：修 回 日期 ：２０１７—１０—３０ 作者简介：刘振 （１９８９一 ），男 ，安徽淮南人 ，博士 ，研究方 向为智能信息处 理与电子对抗技术 ；卢 明明（１９８５一 ），男 ，辽 宁沈阳人 ，硕七 ，
研究方向为 电子对抗技术 ；成飞 （１９７８一 ），男 ，辽宁沈 阳人 ，本科 ，研 究方 向为 电子 对抗与信号 处理技术 ；王树光 （１９８９一 ）， 男 ，黑龙江齐齐哈尔人 ，本科 ，研究方 向为信号处理技术。
（解放军 ９３１１６部 队，沈 阳 ｌｔｏｏｏｏ）
摘要 ：拉 普拉 斯 支持 向量机 通过 流形 正则项 能 够利 用 未标记 数 据 信 息进 行 半监 督 学 习。但 其 流形 正则 项 中的数据 邻接 图 由于没有 利 用数 据 的标记 信 息而 不 能准 确表 征 数 据 流形 结构 ，并 且 热核 参数 的 经验式 选择 也无 法保 证 算 法的 学 习性 能 。为 此 ，基 于人 类行 为认 知 的思 想构 造 一 种 新的数 据邻接 图 ：首先设 计一 种 能够利 用数据 标记信 息 的行 为相 似 性边权 值 ，然后 所提 出 的局 部视 角距 离不仅反 映邻 域结 构特性 而且 克服 了热核 参数 选择 的 问题 。在 公共数 据集 上的 实验 验证 了所提 出算法 的性 能 ．最后将 之应 用 于辐射 源个体 识别 。 关键 词 ：半监督 学 习 ；支持 向量机 ；流 形 学习 ；行 为 学习 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４—２２３０．２０１８．０２．００７
１ 引 言
半 监督 学 习… 能 够 同时 利 用 少 量 标 记 数 据 和大 量未标 记 数据 进 行 学 习 ，一方 面 能 够 克 服监 督学 习完 全依 赖 大量 标 记 样本 的不 足 ，另 一 方 面
也缓 解 了无 监督 学 习 由于不利 用任何 监督信 息导 致 的模 型精 度不 高 的缺 陷。在众 多半监 督 学习算 法 中 ．ＬａｐＳＶＭ 通 过 结合 Ｌａｐｌａｃｉａｎ流形 正 则 项 与 ＳＶＭ 的 目标 函数 ，能 够将 未 标 记样 本 的流 形 结构
电 子信 息 对 抗 技 术 ·第 ３３卷 ２０１８年 ３月 第 ２期
刘 振，卢 明明，成 飞 ，王树光 基 于行 为 学 习的 改 进 ＬａｐＳＶＭ 算 法 及 其 应 用
ห้องสมุดไป่ตู้
３５
信 息添 加到传 统 ＳＶＭ 算法 中 ，通 过标 记样 本 和未 标记 样本 共 同作 用来 逼 近 流 形 空 间 ，由此 给 出标
Ａｂｓｔｒａｃｔ：Ｌａｐｌａｃｉａｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｏｕｌｄ ｕｔｉｌｉｚｅ ｔｈｅ ｕｎｌａｂｅｌｅｄ ｓａｍｐｌｅｓ ｆｏｒ ｓｅｍｉ－ｓｕｐｅｒ—
ｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｔｈｒｏｕｇｈ ｔｈｅ ｍａｎｉｆｏｌｄ ｒｅｇｕｌａｒｉｚａｔｉｏｎ ｔｅｒｍ．Ｂｕｔ ｔｈｅ ｄａｔａ ａｄｊａｃｅｎｔ ｇｒａｐｈ ｉｎ ｔｈｅ ｍａｎｉ－