期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种用于机器人电池电量预测的Sarsa强化学习混合集成方法
被引量：
3
1
作者
彭飞
刘辉
郑力
《Journal of Central South University》
SCIE
EI
CAS
CSCD
2023年第11期3867-3880,共14页
建设数据高效互联的轨道交通车间已成为当前轨道交通装备行业转型发展的必然趋势。越来越多样化的移动运输机器人设备成为智能工厂数字化转型过程中的关键。准确预测机器人的电池电量可以指导控制中心提前采取科学合理的指令,确保物流...
建设数据高效互联的轨道交通车间已成为当前轨道交通装备行业转型发展的必然趋势。越来越多样化的移动运输机器人设备成为智能工厂数字化转型过程中的关键。准确预测机器人的电池电量可以指导控制中心提前采取科学合理的指令,确保物流运输链高效稳定运行。在本研究中,我们提出了一种基于状态-动作-奖励-状态-动作(Sarsa)强化学习算法的多学习器混合集成方法。首先,采用最大重叠离散小波变换(MODWT)对所测量的机器人原始电源电压数据进行预处理,可以显著降低时间序列数据的非平稳性和波动性。其次,利用门控循环单元(GRU)、深度置信网络(DBN)和长短期记忆(LSTM)对分解后得到的子序列进行预测建模。最后,使用Sarsa强化学习集成策略对上述三个基础预测器进行加权组合。所提出的Sarsa混合集成模型的性能在三个真实移动机器人功率数据集上得到验证。实验结果表明,运输机器人电池动力混合预测模型在鲁棒性、准确性和适应性方面具有竞争力。
展开更多
关键词
机器人电源管理
运输机器人
时间序列预测
深度学习
sarsa
强化学习
集成模型
在线阅读
下载PDF
职称材料
基于强化学习的超高层建筑非法入侵情景推演方法
2
作者
胡今鸣
胡啸峰
+2 位作者
石磊
石拓
滕腾
《智能系统学报》
北大核心
2025年第4期958-968,共11页
为计算超高层建筑潜在非法入侵者的“最优”入侵路径,本文提出了一种基于强化学习的情景推演方法。该方法将建筑公共走廊抽象为拓扑结构,利用贝叶斯网络计算入侵者通过每个拓扑节点的概率,结合强化学习算法获得外部人员的最优入侵路径,...
为计算超高层建筑潜在非法入侵者的“最优”入侵路径,本文提出了一种基于强化学习的情景推演方法。该方法将建筑公共走廊抽象为拓扑结构,利用贝叶斯网络计算入侵者通过每个拓扑节点的概率,结合强化学习算法获得外部人员的最优入侵路径,为超高层建筑非法入侵的高效防范提供精准依据。为验证方法的有效性,以北京市CBD地区某超高层建筑为例,将入侵终点设置为顶层,设计了3种不同的入侵情景。情景推演结果表明:在初始状态下(未进行任何优化措施),SARSA模型的训练性能最佳。优化安防系统后发现,在建筑内的层间节点增加安防系统投入最有效。该优化情景下,安防系统投入与风险值的非线性拟合结果显示,随着安防系统投入的增加,入侵风险显著降低。
展开更多
关键词
非法入侵
情景推演
超高层建筑
强化学习
贝叶斯网络
安防系统
sarsa
模型
非线性回归
在线阅读
下载PDF
职称材料
题名
一种用于机器人电池电量预测的Sarsa强化学习混合集成方法
被引量：
3
1
作者
彭飞
刘辉
郑力
机构
Department of Industrial Engineering
CRRC Academy Co.
Institute of Artificial Intelligence&Robotics(IAIR)
出处
《Journal of Central South University》
SCIE
EI
CAS
CSCD
2023年第11期3867-3880,共14页
基金
Project(Z211100002121140)supported by the Beijing New Star Program of Science and Technology,China
Project(72188101)supported by the National Natural Science Foundation of China。
文摘
建设数据高效互联的轨道交通车间已成为当前轨道交通装备行业转型发展的必然趋势。越来越多样化的移动运输机器人设备成为智能工厂数字化转型过程中的关键。准确预测机器人的电池电量可以指导控制中心提前采取科学合理的指令,确保物流运输链高效稳定运行。在本研究中,我们提出了一种基于状态-动作-奖励-状态-动作(Sarsa)强化学习算法的多学习器混合集成方法。首先,采用最大重叠离散小波变换(MODWT)对所测量的机器人原始电源电压数据进行预处理,可以显著降低时间序列数据的非平稳性和波动性。其次,利用门控循环单元(GRU)、深度置信网络(DBN)和长短期记忆(LSTM)对分解后得到的子序列进行预测建模。最后,使用Sarsa强化学习集成策略对上述三个基础预测器进行加权组合。所提出的Sarsa混合集成模型的性能在三个真实移动机器人功率数据集上得到验证。实验结果表明,运输机器人电池动力混合预测模型在鲁棒性、准确性和适应性方面具有竞争力。
关键词
机器人电源管理
运输机器人
时间序列预测
深度学习
sarsa
强化学习
集成模型
Keywords
robotic power management
transportation robot
time series forecasting
deep learning
sarsa
reinforcement learning
ensemble
model
分类号
TP242 [自动化与计算机技术—检测技术与自动化装置]
TM91 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
基于强化学习的超高层建筑非法入侵情景推演方法
2
作者
胡今鸣
胡啸峰
石磊
石拓
滕腾
机构
中国人民公安大学信息网络安全学院
中国人民公安大学首都社会安全研究基地
安全防范技术与风险评估公安部重点实验室
中国传媒大学媒体融合与传播国家重点实验室
北京警察学院公安管理系
出处
《智能系统学报》
北大核心
2025年第4期958-968,共11页
基金
中国人民公安大学拔尖创新人才培养研究生科研创新重点项目(2024yjsky009),中国人民公安大学安全防范工程双一流专项(2023SYL08)
国家自然科学基金项目(72174203)。
文摘
为计算超高层建筑潜在非法入侵者的“最优”入侵路径,本文提出了一种基于强化学习的情景推演方法。该方法将建筑公共走廊抽象为拓扑结构,利用贝叶斯网络计算入侵者通过每个拓扑节点的概率,结合强化学习算法获得外部人员的最优入侵路径,为超高层建筑非法入侵的高效防范提供精准依据。为验证方法的有效性,以北京市CBD地区某超高层建筑为例,将入侵终点设置为顶层,设计了3种不同的入侵情景。情景推演结果表明:在初始状态下(未进行任何优化措施),SARSA模型的训练性能最佳。优化安防系统后发现,在建筑内的层间节点增加安防系统投入最有效。该优化情景下,安防系统投入与风险值的非线性拟合结果显示,随着安防系统投入的增加,入侵风险显著降低。
关键词
非法入侵
情景推演
超高层建筑
强化学习
贝叶斯网络
安防系统
sarsa
模型
非线性回归
Keywords
unauthorized intrusion
scenario simulation
super high-rise building
reinforcement learning
Bayesian net-work
security system
sarsa model
nonlinear regression
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
X937 [环境科学与工程—安全科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种用于机器人电池电量预测的Sarsa强化学习混合集成方法
彭飞
刘辉
郑力
《Journal of Central South University》
SCIE
EI
CAS
CSCD
2023
3
在线阅读
下载PDF
职称材料
2
基于强化学习的超高层建筑非法入侵情景推演方法
胡今鸣
胡啸峰
石磊
石拓
滕腾
《智能系统学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
