期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于深度置信网络效能拟合的火控系统精度全局敏感性分析
1
作者 汪强龙 高晓光 +2 位作者 李新宇 闫栩辰 万开方 《兵工学报》 EI CAS CSCD 北大核心 2024年第10期3430-3444,共15页
针对当前航空火控系统的精度研究对数据完备性要求较高,且仅能分析系统内单误差源影响因素的问题,提出一种全新的基于深度置信网络(Deep Belief Network,DBN)效能拟合的火控系统精度全局敏感性分析(Global Sensitivity Analysis via Dee... 针对当前航空火控系统的精度研究对数据完备性要求较高,且仅能分析系统内单误差源影响因素的问题,提出一种全新的基于深度置信网络(Deep Belief Network,DBN)效能拟合的火控系统精度全局敏感性分析(Global Sensitivity Analysis via Deep Belief Network,GSADBN)算法。从全局敏感性分析算法的优劣点出发,分析传统的全局敏感性分析算法在不完备数据下存在的局限性。利用DBN优异的特征提取能力,并采用无监督训练和有监督微调相结合的算法,搭建并训练火控系统效能拟合模型。研究结果表明:与传统Sobol算法、经典傅里叶振幅敏感性检验(Fourier Amplitude Sensitivity Test,FAST)算法以及最新的基于贝叶斯网络的Sobol(Bayesian Neural Sobol,BNSobol)算法相比,GSADBN算法不仅可以满足精度要求,同时还可以在不完备数据下达到传统算法在完备数据下精度分析的效果;该算法可以在火控系统不完备数据下取得较好的精度分析结果,同时在设计火控系统各模块时,给出精度方面的合理方案,从而为火控系统的设计及作战效能的提高提供参考和理论支撑。 展开更多
关键词 航空火控系统 深度置信网络 GSADBN算法 精度评估 全局敏感性分析
下载PDF
受限玻尔兹曼机及其变体研究综述
2
作者 汪强龙 高晓光 +2 位作者 吴必聪 胡子剑 万开方 《系统工程与电子技术》 EI CSCD 北大核心 2024年第7期2323-2345,共23页
受限玻尔兹曼机作为学习数据分布和提取内在特征的典型概率图模型,是深度学习领域重要的基础模型。近年来,通过改进受限玻尔兹曼机的模型结构和能量函数得到众多新兴模型,即受限玻尔兹曼机变体,可以进一步提升模型的特征提取性能。研究... 受限玻尔兹曼机作为学习数据分布和提取内在特征的典型概率图模型,是深度学习领域重要的基础模型。近年来,通过改进受限玻尔兹曼机的模型结构和能量函数得到众多新兴模型,即受限玻尔兹曼机变体,可以进一步提升模型的特征提取性能。研究受限玻尔兹曼机及其变体能够显著促进深度学习领域的发展,实现大数据时代海量信息的快速提取。基于此,对近年来受限玻尔兹曼机及其变体的相关研究进行系统回顾,并创新性地从训练算法改进、模型结构改进、模型深层融合研究和模型相关最新应用4个方面进行全面综述。其中,重点梳理受限玻尔兹曼机训练算法和变体模型的发展史。最后,讨论受限玻尔兹曼机及其变体领域的现存难点与挑战,对主要研究工作进行总结与展望。 展开更多
关键词 受限玻尔兹曼机 深度学习 受限玻尔兹曼机变体 概率无向图 特征提取
下载PDF
异策略深度强化学习中的经验回放研究综述 被引量：3
3
作者 胡子剑 高晓光 +3 位作者 万开方 张乐天 汪强龙 NERETIN Evgeny 《自动化学报》 EI CAS CSCD 北大核心 2023年第11期2237-2256,共20页
作为一种不需要事先获得训练数据的机器学习方法,强化学习(Reinforcement learning,RL)在智能体与环境的不断交互过程中寻找最优策略,是解决序贯决策问题的一种重要方法.通过与深度学习(Deep learning,DL)结合,深度强化学习(Deep reinfo... 作为一种不需要事先获得训练数据的机器学习方法,强化学习(Reinforcement learning,RL)在智能体与环境的不断交互过程中寻找最优策略,是解决序贯决策问题的一种重要方法.通过与深度学习(Deep learning,DL)结合,深度强化学习(Deep reinforcement learning,DRL)同时具备了强大的感知和决策能力,被广泛应用于多个领域来解决复杂的决策问题.异策略强化学习通过将交互经验进行存储和回放,将探索和利用分离开来,更易寻找到全局最优解.如何对经验进行合理高效的利用是提升异策略强化学习方法效率的关键.首先对强化学习的基本理论进行介绍;随后对同策略和异策略强化学习算法进行简要介绍;接着介绍经验回放(Experience replay,ER)问题的两种主流解决方案,包括经验利用和经验增广;最后对相关的研究工作进行总结和展望. 展开更多
关键词 深度强化学习 异策略 经验回放 人工智能
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部