强化学习(Reinforcement Learning, RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一,用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达
运用领域工程的思想,提出了基于领域模型的系统需求获取方法。该方法可识别应用系统中的共同特征,并抽象这些特征形成领域模型。通过领域模型,引导用户给出完整的系统需求。
模型检验技术广泛应用于验证并发系统的性质。它的瓶颈一直是内存爆炸问题,将BDD技术引入到模型检验中的方法能有效地缓和状态组合爆炸问题。然而,随着系统规模的增大,BDD的大小仍呈指数增长。吴方法是一种处
基于点击模型的查询扩展方法,翟科科,张日崇,文章引入搜索用户点击模型,提出了一种基于用户点击模型的查询扩展方法,该方法首先从用户查询日志挖掘出所有关联的查询句对,并
基于强化学习的无线传感器网络路由协议研究现有的临时路由协议基于节点之间链接的离散双峰模型:链接存在或断开。该模型通常仅将最新传输视为确定链路状态。不幸的是,该模型无法将由于干扰或拥塞而失败的传输与由
论文《基于强化学习的垂直搜索引擎网络爬虫的研究与实现》
基于多目标优化与强化学习的空战机动决策.pdf
该论文为研究DPSK解调的新方法,采用RLS算法,通过对指定内容进行改写,实现了DPSK信号的高效解调。
模型合成是MDA的一个新课题。将模型合成分成三个实施阶段,并设计了一种模型合成的编织框架WMCF(weaving-basedmodelcompositionframework),在模型合成中引入编织技
对SIFT算法进行研究,针对SIFT特征描述符的高维数和高复杂度问题,进行了改进。通过对大量的不同类型的图像进行特征匹配实验,实验结果表明,当图像存在不同程度的几何变形、辐射畸变和噪声影响时,改进后的