自动协议逆向工程研究综述

全面梳理了该领域国内外相关文献,归纳分析了自动协议逆向工程的研究现状和发展趋势。为了更清晰地刻画不同方法的特点和比较异同,提出一种基于协议逆向工程输出结果的分类方法,将协议逆向方法分为侧重于协议格式提取、侧重于协议状态机推断、侧重于完整协议规范描述、侧重于其他输出结果四类,并据此进行分析和比较。基于目前的进展情况和进一步的问题剖析发现,复杂交互场景分析、链路层协议逆向、加密协议分析以及协议状态机优化等应作为自动协议逆向工程领域下一步的重点研究方向。     

奠定终身学习基础 培养拔尖创新人才

以往的研究更多地认为实践是培养创新能力的途径,但持续的创新离不开终身学习能力。探索了加强数理基础、开阔国际视野和培养探究精神的拔尖创新人才培养模式。实践结果表明,学生的创新能力显著增强。     

动态环境中的分层强化学习

现有的强化学习方法都不能很好地处理动态环境中的学习问题,当环境变化时需要重新学习最优策略,若环境变化的时间间隔小于策略收敛时间,学习算法则不能收敛.本文在Option分层强化学习方法的基础上提出一种适应动态环境的分层强化学习方法,该方法利用学习的分层特性,仅关注分层任务子目标状态及当前Option内部环境状态的变化,将策略更新过程限制在规模较小的局部空间或维数较低的高层空间上,从而加快学习速度.以二维动态栅格空间内两点间最短路径规划为背景进行了仿真实验,实验结果表明,该方法策略学习速度明显高于以往的方法,且学习算法收敛性对环境变化频率的依赖性有所降低.     

催化燃烧式瓦斯传感器技术研究进展

首先分析了催化燃烧式瓦斯传感器的工作原理,然后综述了催化燃烧式瓦斯传感器的标定与补偿技术现状,最后指出,综合考虑催化燃烧式瓦斯传感器的稳定性和一致性,探索研究在初始不一致和工作过程不稳定的双重作用下,传感器数据的变化规律,通过智能信息处理的方法予以动态补偿,将是下一步需要研究的主要方向。     

用科学发展观指导研究生培养方案的修订

本文以科学发展观为出发点和指导,提出了在修订研究生培养方案中坚持科学发展的注意事项,并介绍了我院的一些具体做法。     

AUV心智逻辑*

为了表示和处理AUV（Autonomous Underwater Vehicle,自治水下机器人）的心智状态及心智活动,对Rao和Georgeff的BDI逻辑进行了拓展,定义了一种含模态词（信念、目标、能力、意图、上一次、下一次、曾经、将会、总有、总会）的一阶模态时态混合逻辑系统——AML（AUV心智逻辑）;基于Kripke可能世界语义模型给出了AML语义,构造了AML公理系统及演绎规则,并证明了AML的可靠性与完备性。AML为建造AUV心智模型提供了有力的表示和处理工具,弥补了Agent理论在机器人应用     

一种新的分层强化学习方法

提出一种集成Option和MAXQ的分层强化学习新方法——OMQ，该方法以MAXQ为基本框架利用先验知识对任务进行人工分层和在线学习，集成Option方法对难以预先细分的子任务进行自动分层。以出租车问题为背景对OMQ学习算法进行了仿真与对比分析，实验结果表明，在任务环境不完全可知条件下，OMQ比Option和MAXQ更适用。     

智能机器人神经心理模型

为了从结构、功能和行为3个层面对智能机器人体系结构进行一体化描述,本文提出了智能机器人神经心理模型.借鉴脑的3个基本机能联合区理论建立了智能机器人的神经生理结构模型,将机器人思维系统划分为感知区、反射区和慎思区,每个区均由三级皮层构成,采用拓展的BD I逻辑(机器人心智逻辑RML)描述机器人的认知心理机制,给出了神经心理框架下的机器人智能行为过程,从理论上证明了RML的可靠性与完备性,采用水下机器人编队穿越未知雷区的对比仿真实验验证了神经心理模型的可行性和有效性.     

基于数据挖掘技术的药品营销分析系统

本文介绍了一个应用数据挖掘技术开发的医药营销平台DMMA,从体系结构、系统实现、应用等方面论述了DMMA的设计,对数据挖掘技术的应用进行了有益的探索.     

基于免疫聚类的自动分层强化学习方法研究

为解决分层强化学习中现有的自动分层方法对环境和状态空间特性依赖过强的问题，提出了一种基于免疫聚类的自动分层强化学习方法．该方法以Sutton提出的Option框架为基础，在学习的初始阶段，每个Option仅包含一个人口状态且执行平坦策略，经过若干个学习周期对环境进行充分探测后，应用免疫聚类方法对状态空间进行聚类，同时生成每个聚类空间下的Option，并在学习过程中完成内部策略的学习，从而实现自动分层．以二维有障碍栅格空间内路径规划为问题背景进行了仿真实验，仿真结果表明该方法不受状态空间的结构性和可分割性以及强化信号延迟的影响．