期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于深度强化学习的无人机博弈路径规划
1
作者 薛均晓 张世文 +2 位作者 陆亚飞 严笑然 付玮 《郑州大学学报(理学版)》 北大核心 2025年第4期8-14,共7页
针对深度强化学习方法在复杂环境下面对无人机博弈任务时学习效率较低的问题,提出了知识和数据联合驱动的深度强化学习模型。首先,借鉴了模仿学习的思想,将遗传算法作为启发式搜索策略,并收集专家经验知识;其次,通过深度强化学习与环境... 针对深度强化学习方法在复杂环境下面对无人机博弈任务时学习效率较低的问题,提出了知识和数据联合驱动的深度强化学习模型。首先,借鉴了模仿学习的思想,将遗传算法作为启发式搜索策略,并收集专家经验知识;其次,通过深度强化学习与环境进行交互,收集在线经验数据;最后,构建了知识和数据联合驱动的深度强化学习模型,用于优化无人机博弈策略。实验结果表明,所提模型有效提升了收敛速度和学习稳定性,经过训练的智能体具有较好的自主博弈路径规划能力。 展开更多
关键词 深度强化学习 无人机博弈 路径规划 遗传算法
在线阅读 下载PDF
引文动态如何变化:文献内容特征的作用研究 被引量:1
2
作者 李凌英 闵超 严笑然 《情报学报》 CSSCI CSCD 北大核心 2021年第10期1065-1078,共14页
文献的被引情况受文献内部特征和外部环境的影响,外部环境往往难于把握,本文主要探究了文献内容特征对其被引表现的影响。引文波峰是文献被引过程中极大化的时刻,能够刻画文献动态被引特点,因此,除了传统的总被引次数外,本文还纳入引文... 文献的被引情况受文献内部特征和外部环境的影响,外部环境往往难于把握,本文主要探究了文献内容特征对其被引表现的影响。引文波峰是文献被引过程中极大化的时刻,能够刻画文献动态被引特点,因此,除了传统的总被引次数外,本文还纳入引文波峰来衡量文献的被引表现,探究文献内容特征对引文波峰的影响。研究方法采用了回归分析方法,研究数据集为PubMed的生物医学文献,探究文献质量、创新类型和内容多样性三个新颖的内容特征,对被引表现(总被引次数、波峰数量、波峰到达时间、波峰高度)的贡献。其中文献质量利用同行评议数据库Faculty Opinions(F1000)的得分来衡量,创新类型依赖F1000中专家给予的标签,内容多样性用MeSH主题词的种类数和相似性来表示。研究结果表明,不同的文献特征在被引上具有不同的表现,文献获得的总被引次数受文献质量、文献创新类型和文献内容多样性的影响;波峰数量受文献内容多样性的影响,内容越丰富越可能获取较多的波峰;波峰到达时间与文献质量和内容多样性有关;波峰高度受文献质量的影响,文献质量越高,逐年被引数量变化更为平稳。 展开更多
关键词 引文动态 引文波峰 研究质量 研究创新 研究内容多样性
在线阅读 下载PDF
合作网络和知识网络对AI企业专利创新的影响 被引量:9
3
作者 刘嘉明 闵超 严笑然 《图书馆论坛》 CSSCI 北大核心 2022年第9期132-141,共10页
文章从合作网络和知识网络的视角解析人工智能企业进行专利创新的路径,为相关企业的发展提供参考。基于人工智能领域的全球专利数据,计算企业的合作网络与知识网络特征并探究二者对提升企业专利创新的作用。企业占据合作网络中心性较高... 文章从合作网络和知识网络的视角解析人工智能企业进行专利创新的路径,为相关企业的发展提供参考。基于人工智能领域的全球专利数据,计算企业的合作网络与知识网络特征并探究二者对提升企业专利创新的作用。企业占据合作网络中心性较高的位置有助于提升专利创新质量,占据桥梁位置有利于提升专利创新数量。容易组合的知识元素对企业的专利创新数量具有先促进后抑制的作用,频繁局部组合的知识元素会抑制企业产出更多专利。管理者应关注技术知识的结构性特征在创新中的作用,优化企业技术知识结构。人工智能企业应选择在知识网络中处于核心边缘位置、具有重要发展潜力的新兴技术领域进行重点投入研发,并加强与其他机构及个人的合作,在合作研发中更多承担中心研发者的角色。 展开更多
关键词 人工智能 企业 专利创新 合作网络 知识网络
在线阅读 下载PDF
基于知识-数据混合驱动的综合能源系统多元负荷预测方法 被引量:3
4
作者 王力成 王子非 +2 位作者 邓宝华 凌锋 张有兵 《高技术通讯》 CAS 2023年第8期791-801,共11页
当前的综合能源系统(IES)负荷预测方法几乎都是单一的数据驱动方法,忽略了IES中的能量耦合关系。此外,在现有的研究中,数据驱动方法的训练数据主要集中于历史负荷、气象等影响因素,较少考虑可再生能源出力以及不同能源供应给IES负荷预... 当前的综合能源系统(IES)负荷预测方法几乎都是单一的数据驱动方法,忽略了IES中的能量耦合关系。此外,在现有的研究中,数据驱动方法的训练数据主要集中于历史负荷、气象等影响因素,较少考虑可再生能源出力以及不同能源供应给IES负荷预测结果带来的影响。针对上述问题,本文提出一种知识-数据混合驱动的IES多元负荷预测方法。该方法首先通过解析模型对IES中的能量耦合特性知识进行描述,并利用该知识模型对原始样本数据进行重构。然后将重构后的新样本数据作为数据驱动模型的训练样本,并使用基于随机森林算法的特征选择方法和Dropout技术提高模型的泛化能力。最后采用某IES工业园区的实际数据对本文所提方法的有效性进行了验证。仿真结果表明,该方法相较于传统单一数据驱动模型具有更好的预测效果和较高的可靠性。 展开更多
关键词 综合能源系统(IES) 知识-数据混合驱动 能量耦合特性 多元负荷预测 随机森林算法 Dropout技术
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部