导弹突防后弹道机动调整策略强化学习

针对弹道导弹中段突防后飞行弹道与标准弹道产生较大偏离的弹道机动调整问题,建立了机动调整时机策略最优化模型。设计了机动调整逆序Q学习算法,采用Tile coding逼近器编码状态特征空间,并对其进行线性逼近。构建了Q学习算法与蒙特卡罗方法相结合的逆序更新策略机制,以对导弹机动调整最优时机进行训练。仿真测试分析结果表明,在给定场景参数下,通过10 000代强化学习算法训练得到的策略能够可靠地使用最少机动次数控制导弹突防后飞行弹道的调整决策,验证了方法的有效性。     

公共事业管理专业读书（文献阅读）训练探析

专业读书训练是公共事业管理专业的重要教学内容。本文在探讨专业读书教学目的和意义的同时，并提出了读书训练的原则、内容和方法，旨在帮助公共事业管理专业学生形成未来的公共事务管理者所需的职业素养。     

混合式学习背景下在线学习策略的缺失及补偿

混合式学习已经成为当前教育趋势，对于混合式学习中的在线学习研究成果越来越丰富。本文通过网络平台问卷调查了混合式学习模式下大一新生在线学习情况，发现在线学习的最主要障碍之一是在线学习策略缺失，导致学习过程不顺畅。文章指出，针对在线学习的管理策略和元认知策略两方面，教师可以通过教学管理的具体手段给予干预，培养学生的在线学习策略，提高其学习效率，真正实现课堂教学和在线学习的高效融合。     

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

基于MAS技术的Multi-UCAV任务规划系统研究

基于MAS技术,提出用多Agent系统来实现多架无人战斗机协同攻击任务的多机任务规划系统,建立了系统的总体结构和单个Agent的结构,并给出一个基于意图识别的Multi-UCAV协作结构。利用多Agent的自主性和协作性,充分发挥单个UCAV的自主性。通过通信网络进行协同,共享信息,可提高任务规划系统的自主性和智能化水平。     

基于多Agent协作的战场信息共享系统研究与实现

针对联合作战中分布、动态的战场环境和海量的战场信息,满足不同作战实体对战场信息资源共享的需求,构建了一个基于多智能体的、面向作战任务的信息资源共享模型,并提出了一种新颖的基于相似度的用户动态聚类方法。从用户的资源请求中发现用户兴趣和用户之间的相似度,通过交互机制有效地将相同兴趣的用户及资源智能体关联起来,提高作战主体获取战场信息的能力。实验证明该算法具有较高的效率和良好的可扩展性。     

大学英语教学中自主学习能力的培养

自主学习能力是当今信息时代人们为适应社会发展所必须具备的一种能力。要深刻理解自主学习的内涵、自主学习的理论基础、自主学习的必要性和可行性,探讨在我国当前的教育环境下培养学生自主学习能力的途径,教师在教学过程中应注重学生自主学习能力的培养,更好地发挥其指导者、组织者的作用。敦促学生充分发挥其主观能动性,积极参与教学过程,提高他们的英语综合应用能力和自主学习能力。     

基于Multi-Agent的武器装备虚拟维修训练系统

提出了一种基于Multi-Agent的虚拟维修训练系统(VMTS)结构框架,整个系统分别由主控Agent、仿真Agent、和接口Agent3个具有交互作用的Agent组成,从而将虚拟维修训练系统的开发转化为一个多Agent系统的设计与开发.基于多Agent的框架结构可实现受训者的智能模型及虚拟训练场景中虚拟物体的行为模型,从而可以提高VMTS的健壮性和可重用性.基于Agent的概念模型实现了Agent之间的交互和协作,并介绍了主控Agent和仿真Agent的具体实现方法.     

基于自训练EM算法的半监督文本分类

为了提高计算效率,提出基于自训练的改进EM算法STEM。在每步迭代的E-step中,将中间分类器最有把握对其类别进行预测的未标注样本转移至标注样本集,并应用到M-step中进行下一个中间分类器的训练,从而引入了利用中间结果的自训练机制。文本分类实验表明STEM算法在大部分情况下的分类准确性都高于EM,并通过减少迭代提高了分类器学习的计算效率。     

几类基本学习认知模型

本文给出了几个类型的学习认知模型,并加以讨论