-
公开(公告)号：CN111625576B
公开(公告)日：2023-03-24
申请号：CN202010410844.9
申请日：2020-05-15
Applicant: 西北工业大学
IPC: G06F18/23213 , G06F18/2135 , G06N7/01 , G06Q50/20
Abstract: 本发明提供了一种基于t‑SNE的成绩聚类分析方法，导入原始数据，对高维成绩数据进行t‑SNE降维，对t‑SNE降维后的成绩数据进行K‑Means聚类处理，得到聚类结果。本发明对原始数据进行预处理之后，利用t‑SNE算法将高维空间上的数据降维后，再用K‑Means算法对原始数据进行聚类，有效的解决了数据维度过高带来的聚类效果不理想的问题。由于t‑sne降维法较完整的保留了高维数据的分布特征，用降维后数据的聚类结果还原得到高维数据的聚类结果。通过比较先降维后聚类和直接对高维数据的聚类的结果，可以看出降维算法在学生成绩分析算法上的优越性。
-
Patent Agency Ranking
公开(公告)号：CN114895697B
公开(公告)日：2024-04-30
申请号：CN202210594911.6
申请日：2022-05-27
Applicant: 西北工业大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明提供了一种基于元强化学习并行训练算法的无人机飞行决策方法，首先构建无人机飞行控制模型；然后依据马尔科夫决策过程构建无人机飞行决策的状态空间、动作空间和奖励函数；接下来构建存放元强化学习算法训练样本数据的多任务经验池；再定义元强化学习算法参数并在多个环境并行训练实现无人机元强化学习决策模型；最后随机初始化新的飞行环境和无人机状态，测试基于元强化学习算法的无人机飞行决策模型，评价飞行决策性能。本发明通过在多个环境中对策略进行训练以解决SAC算法泛化性能不足的问题，能够整体优化无人机飞行决策策略，在新的环境中经过少步训练便可以收敛，能够有效提升策略的泛化能力和通用性。
-
公开(公告)号：CN114895697A
公开(公告)日：2022-08-12
申请号：CN202210594911.6
申请日：2022-05-27
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于元强化学习并行训练算法的无人机飞行决策方法，首先构建无人机飞行控制模型；然后依据马尔科夫决策过程构建无人机飞行决策的状态空间、动作空间和奖励函数；接下来构建存放元强化学习算法训练样本数据的多任务经验池；再定义元强化学习算法参数并在多个环境并行训练实现无人机元强化学习决策模型；最后随机初始化新的飞行环境和无人机状态，测试基于元强化学习算法的无人机飞行决策模型，评价飞行决策性能。本发明通过在多个环境中对策略进行训练以解决SAC算法泛化性能不足的问题，能够整体优化无人机飞行决策策略，在新的环境中经过少步训练便可以收敛，能够有效提升策略的泛化能力和通用性。
-
公开(公告)号：CN115185288A
公开(公告)日：2022-10-14
申请号：CN202210594910.1
申请日：2022-05-27
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于SAC算法的无人机分层飞行决策方法，首先构建无人机飞行控制模型，再根据马尔科夫决策过程构建状态空间、分层决策动作空间和奖励函数；接下来构建基于SAC算法的无人机分层飞行决策模型结构；再定义模型参数，初始化无人机状态，并进行训练，最后初始化无人机状态，测试无人机分层飞行决策模型，并对飞行决策性能进行评价。本发明采用分层决策模型，降低了算法训练的难度，提升了模型的决策性能，能够有效地令无人机自主决策，并能高效地探索到最优策略，能够高效地探索到最优飞行策略。
-
公开(公告)号：CN115185288B
公开(公告)日：2024-05-03
申请号：CN202210594910.1
申请日：2022-05-27
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于SAC算法的无人机分层飞行决策方法，首先构建无人机飞行控制模型，再根据马尔科夫决策过程构建状态空间、分层决策动作空间和奖励函数；接下来构建基于SAC算法的无人机分层飞行决策模型结构；再定义模型参数，初始化无人机状态，并进行训练，最后初始化无人机状态，测试无人机分层飞行决策模型，并对飞行决策性能进行评价。本发明采用分层决策模型，降低了算法训练的难度，提升了模型的决策性能，能够有效地令无人机自主决策，并能高效地探索到最优策略，能够高效地探索到最优飞行策略。
-
公开(公告)号：CN111625576A
公开(公告)日：2020-09-04
申请号：CN202010410844.9
申请日：2020-05-15
Applicant: 西北工业大学
IPC: G06F16/2458 , G06K9/62 , G06Q10/06 , G06Q50/20
Abstract: 本发明提供了一种基于t-SNE的成绩聚类分析方法，导入原始数据，对高维成绩数据进行t-SNE降维，对t-SNE降维后的成绩数据进行K-Means聚类处理，得到聚类结果。本发明对原始数据进行预处理之后，利用t-SNE算法将高维空间上的数据降维后，再用K-Means算法对原始数据进行聚类，有效的解决了数据维度过高带来的聚类效果不理想的问题。由于t-sne降维法较完整的保留了高维数据的分布特征，用降维后数据的聚类结果还原得到高维数据的聚类结果。通过比较先降维后聚类和直接对高维数据的聚类的结果，可以看出降维算法在学生成绩分析算法上的优越性。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
