会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

自动驾驶算法——理解强化学习（一）

强化学习位于多个领域的交叉点，但其基本理念相同：决策科学。在计算机科学中，它是机器学习；在神经科学中，它是奖励系统。在工程学中，它是最优控制。

  • 2024-12-18
  • 阅读224

自动驾驶算法——理解强化学习（二）

动态规划一般需要具备2个性质：最佳子结构→你可以将某些 RL 问题分解为≥2 个部分，然后解决它们，最后将它们组合起来找到最佳问题，从而解决该问题。重叠子问题→子问题可以出现多次，通过将问题分解为子问题，我们可以获得一些好处。

  • 2024-12-18
  • 阅读212

自动驾驶算法——理解强化学习（四）

首先回顾这个系列前几篇文章：自动驾驶算法——理解强化学习（一） 和 自动驾驶算法——理解强化学习（二）和自动驾驶算法——理解强化学习（三）。

  • 2024-12-19
  • 阅读203

自动驾驶算法——理解强化学习（三）

MC 方法很简单；你只是直接从经验情节中学习。它之所以无模型，是因为没有任何关于 MDP 转换/奖励的知识。它使用简单的“价值 = 平均回报”这一想法从完整的情节中学习。警告：只能将 MC 应用于情节 MDP，并且所有情节都必须终止。

  • 2024-12-19
  • 阅读205

自动驾驶算法——理解强化学习（五）

首先回顾这个系列前几篇文章：自动驾驶算法——理解强化学习（一） 和 自动驾驶算法——理解强化学习（二）和自动驾驶算法——理解强化学习（三）和自动驾驶算法——理解强化学习（四）。

  • 2024-12-19
  • 阅读209

SCI论文学习|一种基于联邦学习的边云协同机器剩余使用寿命预测的方法

本期给大家推荐郭亮教授的一种基于联邦学习的边云协同机器剩余使用寿命预测的方法。针对实际工业应用中智能方法预测剩余使用寿命（Remaining Useful Life）时出现的边缘客户端计算能力较弱、数据量有限以及所有边缘客户端数据不共享的问题，提出了一种基于联邦学习的RUL预测方法——FedRUL。该方法利用多个边缘客户端和一个云服务器在不共享数据的情况下训练全局编码器和剩余寿命预测器。首先，将所有的局部训练数据集馈送到相应的客户端，用于训练自己的卷积自编码器（Convolutional Autoen-coder）。然后，将所有客户端的编码器上传到服务器对编码器进行聚合。最后，服务器将全局编码器和RUL预测器分发给所有客户端，以实现相应的剩余寿命预测任务。通过铣刀数据集和轴承数据集验证了该方法的有效性。

  • 2024-12-19
  • 阅读284

IEEETII一种可解释的增量随机权重神经网络构造算法及其应用

本文旨在为增量随机权重神经网络（IRWNN）提供一种可解释的学习范式。IRWNNs因其易于部署和快速学习速度而成为神经网络算法的热门研究方向。然而，现有的IRWNN难以解释隐藏节点（参数）如何影响网络残差的收敛。为了解决这一差距，本文提出了一种可解释的构造算法（lCA）。具体来说，我们首先对网络构建过程进行空间几何分析，建立网络残差和隐藏参数之间的空间几何关系，以可视化隐藏参数对网络残差收敛的影响。其次，基于空间几何关系和节点池策略，建立了一种具有空间几何信息的可解释控制策略，以获得有助于网络残差收敛的隐藏参数。此外，为了便于lCA处理大数据的复杂任务，本文提出了一种低复杂度的轻量级ICA，即ICA+。最后，从理论上证明了本文提出的ICA和ICA+具有普遍的逼近性质。在两个真实世界数据集和七个基准数据集上的实验结果表明，所提出的ICA和ICA+在快速学习、良好泛化和网络结构紧凑性方面具有优势。关键词：数据建模、可解释构造算法、神经网络（NN）、随机算法、空间几何信息。

  • 2024-12-16
  • 阅读333

JCP||基于有限元启发的超图神经网络：在流体动力学模拟中的应用

深度学习研究中的一个新兴趋势是图神经网络（GNNs）在基于网格的连续介质力学模拟中的应用。这些学习框架大多作用于图上，其中每条边连接两个节点。受有限元方法中数据连接性的启发，我们提出了一种通过元素而非边连接节点来构建超图的方法。在这种超图上定义了一种超图消息传递网络，该网络模拟了局部刚度矩阵的计算过程。我们将这种方法称为基于有限元启发的超图神经网络，简称为FEIH()-GNN。我们进一步为所提出的网络配备了旋转等变性能力，并探索其在非稳态流体流动系统建模中的潜力。网络的有效性在两个常见的基准问题上得到了验证，即圆柱和翼型的流体流动配置。在插值雷诺数范围内，使用-GNN框架可以获得稳定且准确的时间滚动预测。该网络还能够向更高雷诺数域外进行外推，这超出了训练范围。

  • 2024-12-15
  • 阅读358