公开(公告)号：CN108038545A

公开(公告)日：2018-05-15

申请号：CN201711274761.6

申请日：2017-12-06

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  周唯倜 ,  赵大兴 ,  孙国栋 ,  许万 ,  丁国龙 ,  吴震宇 ,  赵迪

IPC: G06N3/08 ,  G06N3/04

CPC classification number: G06N3/08 ,  G06N3/04

Abstract: 本发明涉及一种Actor‑Critic神经网络连续控制的快速学习算法，经验池初始化、神经网络初始化、构造输出干扰、积累经验池、根据优先数prop采样及训练深度强化学习神经网络，根据由TD_diff、sigmoid_TD和使用迹UT计算出来的优先数prop来优化采样的算法，TD_error的收敛速度加快，使得算法的学习速度加快。

公开(公告)号：CN110930379B

公开(公告)日：2023-04-07

申请号：CN201911129224.1

申请日：2019-11-18

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  刘欢平 ,  周唯倜 ,  赵大兴 ,  孙国栋 ,  冯维

IPC: G06T7/00 ,  G06V10/764

Abstract: 本发明公开了一种基于DDPG‑RAM算法的复杂光照条件下织物缺陷检测方法，采集织物缺陷图像作为训练样本‑对织物缺陷图像进行图像增强‑利用图像增强后的训练样本对DDPG‑RAM模型进行训练，确定训练后的网络参数‑利用训练后的DDPG‑RAM模型对织物缺陷图像进行缺陷检测。实现了织物缺陷的自动检测，且运行速度快，具有更高的准确性，效果更好。

公开(公告)号：CN107992939B

公开(公告)日：2021-11-12

申请号：CN201711275524.1

申请日：2017-12-06

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  周唯倜 ,  赵大兴 ,  朱海峰 ,  丁国龙 ,  孙国栋 ,  许万 ,  吴震宇 ,  赵迪

IPC: G06N3/04 ,  G06N3/08 ,  G06F30/27 ,  B23F5/12 ,  G06F119/14

Abstract: 本发明涉及一种基于深度增强学习的等切削力齿轮加工方法，包括构建深度增强学习模型、构造输出干扰、构建仿真环境、建立奖励rt计算模型、积累经验池、训练深度增强学习神经网络及利用训练好的深度强化学习模型控制插齿机等切削力的切削齿轮。本发明基于深度增强学习的等切削力齿轮加工方法，通过加入深度增强学习网络，解决插齿机等切削力的自动插齿问题，充分利用了插齿机的功率，大大加快了插齿机的切削效率并同时保证了工件的加工质量与加工过程的平稳性。

公开(公告)号：CN107992939A

公开(公告)日：2018-05-04

申请号：CN201711275524.1

申请日：2017-12-06

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  周唯倜 ,  赵大兴 ,  朱海峰 ,  丁国龙 ,  孙国栋 ,  许万 ,  吴震宇 ,  赵迪

IPC: G06N3/04 ,  G06N3/08 ,  G06F17/50 ,  B23F5/12

Abstract: 本发明涉及一种基于深度增强学习的等切削力齿轮加工方法，包括构建深度增强学习模型、构造输出干扰、构建仿真环境、建立奖励rt计算模型、积累经验池、训练深度增强学习神经网络及利用训练好的深度强化学习模型控制插齿机等切削力的切削齿轮。本发明基于深度增强学习的等切削力齿轮加工方法，通过加入深度增强学习网络，解决插齿机等切削力的自动插齿问题，充分利用了插齿机的功率，大大加快了插齿机的切削效率并同时保证了工件的加工质量与加工过程的平稳性。

公开(公告)号：CN108052004A

公开(公告)日：2018-05-18

申请号：CN201711275146.7

申请日：2017-12-06

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  周唯倜 ,  赵大兴 ,  孙国栋 ,  许万 ,  丁国龙 ,  吴震宇 ,  赵迪

IPC: G05B13/04 ,  G06F17/50 ,  G06N3/08 ,  B25J9/16

Abstract: 本发明涉及一种基于深度增强学习的工业机械臂自动控制方法，构建深度增强学习模型、构造输出干扰、建立奖励rt计算模型、构建仿真环境、积累经验池、训练深度强化学习神经网络及利用训练好的深度增强学习模型在实际中控制机械臂运动。通过加入深度增强学习网络，解决机械臂在复杂环境的自动控制问题，完成机械臂的自动控制，且训练完成后运行速度快、精度高。

公开(公告)号：CN108052004B

公开(公告)日：2020-11-10

申请号：CN201711275146.7

申请日：2017-12-06

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  周唯倜 ,  赵大兴 ,  孙国栋 ,  许万 ,  丁国龙 ,  吴震宇 ,  赵迪

IPC: G05B13/04 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  B25J9/16

Abstract: 本发明涉及一种基于深度增强学习的工业机械臂自动控制方法，构建深度增强学习模型、构造输出干扰、建立奖励rt计算模型、构建仿真环境、积累经验池、训练深度强化学习神经网络及利用训练好的深度增强学习模型在实际中控制机械臂运动。通过加入深度增强学习网络，解决机械臂在复杂环境的自动控制问题，完成机械臂的自动控制，且训练完成后运行速度快、精度高。

公开(公告)号：CN110930379A

公开(公告)日：2020-03-27

申请号：CN201911129224.1

申请日：2019-11-18

Applicant: 湖北工业大学

Inventor： 柯丰恺 ,  刘欢平 ,  周唯倜 ,  赵大兴 ,  孙国栋 ,  冯维

IPC: G06T7/00 ,  G06K9/62

Abstract: 本发明公开了一种基于DDPG-RAM算法的复杂光照条件下织物缺陷检测方法，采集织物缺陷图像作为训练样本-对织物缺陷图像进行图像增强-利用图像增强后的训练样本对DDPG-RAM模型进行训练，确定训练后的网络参数-利用训练后的DDPG-RAM模型对织物缺陷图像进行缺陷检测。实现了织物缺陷的自动检测，且运行速度快，具有更高的准确性，效果更好。