基于servlet的移动Agent平台模型

提出了一个基于servlet技术的移动Agent系统模型,分析了系统构成和工作流程,最后简单介绍该模型关键部分的实现以及当前MobileAgent技术的发展现状和发展趋势. 所提出的移动Agent系统模型加强了对移动代理系统的内部结构的认识,方便系统扩充、改造,通过修改协议提供了一种远程移动代理的控制方法.     

基于智能Agent的网上协作学习模式研究

智能性是Agent突出的特点之一,应用Agent的思想,探讨了如何在网上协作学习中应用Agent技术,建立学生模型和教师模型．构建智能化协作学习模式,从而实现智能化学习,实现了个别化教学。     

多Agent交互式动态影响图的建模方法

交互式动态影响图是一种以动态影响图为基础,利用有向图构造Agent之间交互作用的决策概率模型,目前只能解决2个Agent的问题.根据概率图模型理论、交互式部分可观测马尔可夫决策过程性质、最大奖励期望值原理等以3个Agent为例建立多Agent交互式动态影响图(I-MADIDs)模型,探讨除建模Agent之外,其他非建模Agent之间存在稳定关系时,如何简化I-MADIDs模型.最后对老虎问题进行建模,利用HUGIN7.0对其进行求解,分别讨论了建模A-gent和其他Agent的决策情况,对比了精确方法和简化模型中贝叶斯参数学习近似方法中Agent的决策情况,证明了近似方法的有效性.     

基于移动Agent的个性化学习系统

针对学生学习过程中个体的差异，着重探讨了智能代理技术和基于案例推理在个性化学习中的应用，给出一个基于移动智能代理的网络化学习环境，讨论了该学习环境的体系结构、工作过程、推理机制、主要功能及其实现机制，最后利用Aglet移动Agent平台对系统进行了实现．     

基于android平台的flash动画设计课程移动学习模式研究

随着移动通信技术的快速发展，移动学习因其能够满足学习者可在任何时间、任何地点学习及非连续性的学习特点，已经逐渐发展为远程学习的一种重要方式。本文尝试探索基于android平台的flash动画设计课程的移动学习模式。     

移动学习发展若干问题的探讨

为了进一步推广移动学习模式,探讨了当前移动学习的主要特点,并对无线网络技术发展、移动学习资源建设和移动学习开发技术标准等三方面进行了探讨。深入分析了当前移动学习发展过程中的几个关键问题,探索今后一段时期移动学习的发展方向和趋势,以推动移动学习在更大范围内的推广、普及和应用。     

泰国高等教育中远程学习的一个新阶段——移动学习

文章通过远程学习发展五个阶段的论述,指出了通过远程通信网络集成并管理学习媒体是远程学习新的发展变革。作者在文章指出,当今,移动电话的功能不断扩展、全球数量超过了数十亿部,已可以作为一种使用方便、有效的远程学习工具。这种工具和六种学习技能的有机结合形成了一种新的远程学习模式,即“移动学习”。     

我国外语教学中运用CAI的现状及前景

论述了计算机辅助教学在外语教学中的优势和应采取的措施，剖析了我国外语教学中运用CAI的现状及前景。其优势主要体现在它 提供了交互式的学习环境，丰富了教学内容和模式，激发了学习兴趣，提高了学习效率。     

基于移动Agent的分层式P2P移动学习网络

阐述了移动学习的发展趋势以及高校图书馆面临的机遇与挑战,提出了高校图书馆在移动学习的发展中所能够担当的任务和角色,以及图书馆员新的工作内容。并针对无线网络环境下的高延迟、资源异构、以及网络不稳定的问题,探讨了基于移动Agent的分层式P2P移动学习网络模式,该模式可有效减少网络负载,同时具有良好的交互性。     

电子商务技术发展综述

从技术角度看，电子商务经历了传统电子商务、电子数据交换和Web电子商务三大阶段，并正向着智能电子商务方向发展。重点介绍基于Web的动态电子商务和智能电子商务模式，并给出动态电子商务的框架模型。移动Agent是实现智能电子商务的关键技术。基于多Agent的智能电子商务系统是当前热门的研究领域。在此，建立一个多Agent系统的概念模型，进而设计了智能电子商务的体系结构，为智能电子商务的实施作一些理论探讨。     

一种融合实体关联性约束的表示学习方法

知识图谱的表示学习方法将实体和关系嵌入到低维连续空间中,从而挖掘出实体间的隐含联系.传统的表示学习方法多基于知识图谱的结构化信息,没有充分利用实体的描述文本信息.目前基于文本的表示学习方法多将文本向量化,忽略了文本中实体间的语义关联.针对上述缺点提出一种利用实体描述文本进行增强学习的方法,基于文本挖掘出关联性实体并对关联性进行分级,将关联性作为辅助约束融合到知识图谱的表示学习中.实验结果表明,该辅助约束能明显提升推理效果,优于传统的结构化学习模型以及基于深度学习的文本和结构的联合表示模型.      

基于信度分配函数的Agent强化学习算法

基于智能体 (Agent)系统强化学习原理和基于动态规划的Q -学习算法的基础上 ,提出了一种新的Agent强化学习算法 .该算法在Agent学习过程中不断调整Agent知识库的加权值 ,在强化学习的每个阶段 ,通过选取合适的信度分配函数来修正Agent强化学习动作的选取策略 .与标准的Q -学习方法相比 ,具有更加合理的物理结构 ,并且能保证算法收敛 .仿真实验说明该方法加快了标准Q -学习算法的收敛速度 ,具有较好的学习性能     

一种面向个性化网络学习的协同学习任务生成方法

提出了一种面向个性化网络学习的协同学习任务自动生成方法.该方法以学习目标与学习小组中学习者的个性特征为输入,通过基于学习者认知水平的协作成员分组和基于耦合度的协同学习模式分配,生成符合学习者群体个性特征的协同学习任务,从而有效地解决了网络学习中个性化学习与协同学习相结合的问题.该方法已在实时教学系统中进行了测试,结果表明,相对无指导的协同学习,根据此方法所生成的学习任务的协同学习可有效提高学习效率.     

高职英语阅读自主式课堂教学研究

传统的英语阅读教学方法以教师为主体,学生完全处于被动地位,学习兴趣不高,学习自主性差,致使教学效率不高,学生实际应用能力差。本文在自主学习的理论基础上介绍了一种自主式的英语阅读教学模式。希望这种教学模式有助于高职教师培养学生自主学习的能力,使学生成为真正的自主学习者,提高学习效率。     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。     

多智能体系统中具有先验知识的Q学习算法

为了提高多智能体系统中的典型的强化学习——Q学习的学习效率和收敛速度,充分利用环境信息和相关的专家经验,提出了具有先验知识的Q学习算法。利用模糊综合决策方法处理专家经验和环境信息得到Q学习的先验知识,对Q学习的初始状态进行优化。典型的足球机器人系统中的仿真实验结果表明:该算法使学习过程建立在较好的学习基础上,从而更快地趋近于最优状态,其学习效率和收敛速度明显优于普通的Q学习。     

基于人工神经网络的并行强化学习自适应路径规划

强化学习是通过对环境的反复试探建立起从环境状态到行为动作的映射。利用人工神经网络的反馈进行权值的调整,再与高学习效率的并行强化学习算法相结合,提出了基于人工神经网络的并行强化学习的应用方法,并通过实验仿真验证了迭代过程的收敛性和该方法的可行性,从而有效地完成了路径学习。     

"自主+协同+创新"网络学习过程建模

文章以网络社区为平台,提出了基于"自主+协同+创新"的学习概念(ICI),并在此基础上采用IDEF系统构建方法,建立了网络学习系统框架(GNKJ),再利用认知学徒模式方法,设计了ICI网络协同学习方法对学习过程进行重构,形成了因特网环境下的协同学习环境;结果表明,该学习环境能够满足学习者的各种协同学习需求,自发培养和提高学习者的创新思维和创造能力,是创新教育改革和网络教学方法实践的一次有益尝试.     

基于KMM匹配的参数迁移学习算法

当训练数据和测试数据来自不同的领域或任务以至于训练数据和测试数据的分布不相同时,需要进行知识的迁移.本文提出一种基于实例KMM匹配的参数迁移学习方法.利用KMM算法估计每个源领域实例的权重,再利用得到的权重,把这些实例应用到基于参数的迁移学习方法中.把该迁移学习算法应用到无线网络定位问题中时,该方法的定位准确度要高于单...     

关于研究性学习的思考

研究性学习是教育界倍受关注和着力倡导的一种教育教学方法．文章基于研究性学习的历史，分析了国际化、信息化社会下研究性学习的实质和目标，诠释了研究性学习课程与学科课程的关系，并对开展研究性学习进行了深入的思考．对学校推行的教学方法改革具有理论的指导与实质的借鉴意义。