机器人足球学习机制的研究现状与发展

对机器人足球球员如何实现复杂任务中的行为学习理论、方法、技术和应用进行评述，指出其存在的局限性，以及在机器人足球领域的学习策略．机器人足球系统作为多智能体系统研究的测试床，许多研究者从不同的侧面对该项技术进行了研究并取得了一定的成果．对机器人足球系统的研究，目前包括足球机器人体系结构、多机器人的协作、动态环境下的推理和行动、传感器数据融合、复杂任务中的行为学习、对手建模等内容。     

基于免疫机理的足球机器人协作控制研究

针对Robocup中型组全自主足球机器人自主协作任务,基于人工免疫机理对机器人个体及群体体系结构进行优化,采用个体混合式体系结构与群体分布式体系提高系统性能。构建适用于比赛环境的足球机器人免疫系统模型,充分考虑模型中抗体与抗原及其他抗体间的激励和抑制作用,给出在动态环境下面临复杂协作任务时的足球机器人协调控制算法及流程,改善多足球机器人冲突的混乱局面,增强足球机器人策略行为的有效性,提高足球机器人系统的智能协作性。实验结果验证:该算法可以有效的增强足球机器人的协作能力,提高规定时间内的平均成功进功率与平均成功进球率。     

多机器人系统形成联合协作的综合评价算法

多机器人协作是多机器人系统研究中的核心问题.为建立某种机制使机器人稳定地组织起来完成某一不能由单机器人完成的任务并达到全局最优,提出了综合评价算法.从机器人个体的自私利益出发,以经费和报酬的驱动,通过包含环境知识、历史经验、信用3个方面的综合评价值进行选举和谈判,自发地建立联合协作,完成复杂任务.算法通过调整权值,能够适应于不同的全局最优目标.该法运用到机器人足球这一典型的多机器人系统平台表现出良好的效果.     

基于神经网络和模糊推理的移动机器人行为决策与控制

以足球机器人系统为实验平台 ,针对移动机器人智能决策中的实际问题 ,提出了一种基于径向基函数神经网络的机器人行为决策方法 ,通过神经元学习和训练以及自身的泛化能力 ,可以很好地利用多源信息进行机器人行为决策 ,以提高行为决策的有效性 .同时为了保证行为决策的实施效果 ,将模糊推理技术与传统的PID控制相结合 ,既保证了移动机器人系统运动控制的准确性和稳定性 ,又缩短了动态调整时间 ,取得了较好的控制效果 .     

微型机器人足球系统研究

文章对系统中的足球机器人小车子系统、无线通讯子系统等关键技术进行了细致阐述。机器人足球系统作 为一个多学科交叉研究结合点为综合科学技术研究提供了一个优秀的测试平台。     

微型机器人足球系统研究

章对系统中的足球机器人小车子系统、无线通讯子系统等关键技术进行了细致阐述。机器人足球系统作为一个多学科交叉研究结合点为综合科学技术研究提供了一个优秀的测试平台。     

基于强化学习的全自主机器人足球系统协作研究

从人工智能的角度上说,机器人足球比赛主要研究了多智能体系统要解决的分布的多机器人在复杂的动态环境下,如何通过相互协商完成某一复杂任务。全自主机器人足球是机器人足球发展的一个趋势,在完全未知的环境中,通过自身学习来了解和积累外部信息,对于传统强化学习,存在容易出现死锁,学习速度慢,要求外部条件是静态等缺陷。本文提出了一种基于蚁群算法的强化学习模型,即蚁群算法与Q学习相结合的思想。随着赛场上态势的渐趋复杂,传统的Q学习速度会变得很慢且交互困难。通过对新算法的分析,实验数据显示：新算法不仅提高了Q学习的学习速率,在解决状态空间维数的灾难问题上,也是可行的。     

基于强化学习的全自主机器人足球系统协作研究

从人工智能的角度上说,机器人足球比赛主要研究了多智能体系统要解决的分布的多机器人在复杂的动态环境下,如何通过相互协商完成某一复杂任务。全自主机器人足球是机器人足球发展的一个趋势,在完全未知的环境中,通过自身学习来了解和积累外部信息。对于传统强化学习,存在容易出现死锁,学习速度慢,要求外部条件是静态等缺陷。提出了一种基于蚁群算法的强化学习模型,即蚁群算法与Q学习相结合的思想。随着赛场上态势的渐趋复杂,传统的Q学习速度会变得很慢且交互困难。通过对新算法的分析,实验数据显示:新算法不仅提高了Q学习的学习速率,在解决状态空间维数的灾难问题上,也是可行的。     

基于双层决策模型的足球机器人决策系统

设计并实现了基于行为的足球机器人系统：主要包括基本行为器和进攻、防守模块的设计与实现。采用双层的决策系统,主动完成知识提取并确定机器人协同任务的特性,使整个系统具有智能体的特征。计算机仿真技术给机器人球队提供“学习”能力,在计算机上建立模型、开发比赛策略,反复试验后可将成功的策略移植到实际的机器人球队上进行比赛。     

多智能足球机器人系统的关键技术

以NEWNEU参加机器人足球世界杯赛(FIRARWC99)的基于视觉型微型足球机器人系统MIROSOT为背景,详细介绍了机器人足球的关键应用技术·采用模糊神经网络和自学习专家系统的分层智能控制系统是当前机器人足球系统的研究方向·具有人工智能的自主型步行足球机器人是足球机器人的长远发展目标·     

智能车辆规划与控制策略学习方法综述

智能车辆相关技术已实现了长足的发展,并已能够在有限封闭场景中实现自主行驶的基本功能. 然而,实际道路测试结果表明,目前智能车辆技术仍存在较多局限,而智能车辆在复杂城市与越野环境的大规模应用仍面临较多挑战. 作为智能车辆关键技术之一,运动规划与控制技术已基本建立了完整的理论体系并已得到较多工程应用,但传统方法在实际应用中仍存在动态复杂场景理解能力弱、场景适应性差、模型复杂度高、参数调整难度大等缺陷. 由于机器学习方法具备较强的知识表征与模型拟合能力,其已经在智能车辆的感知与导航技术中得到了广泛的应用. 而为了解决传统运动规划与控制技术存在的泛化性与适用性等问题,许多研究者近年来也开始探索基于深度学习、强化学习等机器学习方法的运动规划与控制方法. 本文将对目前基于机器学习的智能车辆规划与控制方法研究现状进行回顾,从规划与控制策略基本架构、基本学习范式以及基于学习的规划与控制方法三方面对现有智能车辆规划与控制策略学习方法进行分析,最后对研究现状与未来发展方向进行总结与展望.      

基于RBAC模型的数据库安全访问控制机制

通过分析RBAC模型结构，提出并设计实现了统计管理系统中数据库安全访问控制的新方法。角色定义遵循最大基数约束和职责分离两个原则，有效控制了较大权利访问控制权限的分配，且减少了欺骗行为的发生概率；通过构建多种安全员角色和存储过程实现了安全控制的细化管理。系统的正常运行表明，基于该方法的WEB-TJ系统是安全可靠的。     

情感焦虑与大学生英语自主学习

自主学习作为一种新的教学模式,近年来越来越多地受到广大教育工作者及研究人员的重视。将自主学习与情感焦虑相结合,从形成焦虑的原因探讨其对自主学习的影响,并通过分析影响自主学习的因素探索其应对策略,这将有助于提高大学生英语自主学习能力,为实现终身学习的目标打下坚实的基础。     

Prediction of Protein-Protein Interactions by a Novel Model Based on Domain Information

Domain-based protein-protein interactions( PPIs) is a problem that has drawn the attentions of many researchers in recent years and it has been studied using lots of computational approaches from many different perspectives. Existing domain-based methods to predict PPIs typically infer domain interactions from known interacting sets of proteins. However,these methods are costly and complex to implement. In this paper, a simple and effective prediction model is proposed. In this model,an improved multiinstance learning( MIL) algorithm( MilCaA) is designed that doesn't need to take the domain interactions into consideration to construct MIL bags. Then, the pseudo-amino acid composition( PseAAC) transformation method is used to encode the instances in a multi-instance bag and the principal components analysis( PCA) is also used to reduce the feature dimension. Finally, several traditional machine learning and MIL methods are used to verify the proposed model. Experimental results demonstrate that MilCaA performs better than state-of-the-art techniques including the traditional machine learning methods which are widely used in PPIs prediction.     

扑翼器──一种学习控制的新模型

提出了被控对象模型——扑翼模型，它是对可进化的实际生物模型的简化，具有非线性、多输入多输出等特点。用在复杂的学习系统时，可对其效率及性能进行检验。基于该模型，构造了一个神经网络控制方案。它是一个逐级发展的学习控制系统，可用于分析和研究生物的学习过程。在该系统上，进行了对目标捕捉的计算机模拟，当目标静止、随机运动或以一定规律运动时，均获得了满意的结果。随着学习的深入，该系统还可获得预测能力。由于本系统具有逐层建构的特点，故可完成复杂的控制任务。     

预防高校职务犯罪的实践与理论思考

近几年高校职务犯罪案频发,呈上升趋势,大案、要案增多,且具有明显的行业特点,发案部位集中在基建、招生、物资采购、学术腐败等方面。其原因在于少数高校领导干部思想道德蜕变,未能经受得住利益的诱惑和驱使,加上管理制度存有漏洞,学校设置权力时缺乏制约功能,权力过于集中,导致权力的运行缺乏监督等。为预防和遏制高校职务犯罪,学校党委必须要高度重视,成立预防职务犯罪领导小组,着重抓党政"一把手"工程,加强对领导干部党风廉政责任制考核,健全管理制度堵塞漏洞,规范程序,进一步推行校务公开,强化监督机制,坚持正面引导教育、提醒经常化,纠偏扬善,打防并举,构筑反腐的立体防线。     

一种基于对策论的多Agent协作方法

针对带有时间约束的、可以动态加入到环境中的复杂任务,建立了一种基于对策论的任务协作模型,该模型至少存在一个纯策略Nash平衡解.给出了一种任务协作方法,该方法中Agent能够根据自身的局部信息进行行为选择,并利用虚拟行动学习方法确保Agent快速学习到一个纯策略Nash平衡,仿真实验结果表明该方法与Chapman和刘的方法同等有效.     

以科学发展观构建高校体育文化

高校体育文化是高校师生在各种体育活动与实践中所创造出来的一切物质财富和精神财富的总和，它包括物质文化、制度文化、行业文化和心态文化四个层面，其构建对于高校师生完善自我、对于高校人文素质教育以及提升高校办学水平都意义非凡。目前高校体育文化研究的现状主要表现为研究对象模糊，研究主体多元化不够，研究方法较单一，研究视角亟待扩展。构建高校体育文化，必须坚持以人为本，必须坚持用科学发展观，必须要有特色意识。     

基于模型的自动变速箱数据采集系统

研究采用离合器-离合器换挡方式的液力变速箱的换挡过程.以dSPACE为硬件平台,建立基于模型的自动变速箱数据采集系统,实现了对全电液自动变速箱控制信号和各状态参量的同步采集,描述了换挡过程中各参数对换挡的影响.试验结果表明,换挡过程中初始放油占空比与其变化率影响扭矩相过程中传递的扭矩,而初始充油占空比决定了惯性相时间的长短.     

实时多任务操作系统(RTOS)引入单片机开发领域的研究

通过分析实时操作系统RTOS的核心机制和特点,将其引入单片机开发系统中,利用中断进行任务切换,可有效改善程序结构,满足复杂系统的要求.