排序方式： 共有2条查询结果，搜索用时 125 毫秒
1
1.
针对SNN-HRL等传统Skill discovery类算法存在的探索困难问题,本文基于SNN-HRL算法提出了融合多种探索策略的分层强化学习算法MES-HRL,改进传统分层结构,算法包括探索轨迹、学习轨迹、路径规划三层.在探索轨迹层,训练智能体尽可能多地探索未知环境,为后续的训练过程提供足够的环境状态信息.在学习轨迹层,将探索轨迹层的训练结果作为“先验知识”用于该层训练,提高训练效率.在路径规划层,利用智能体之前获得的skill来完成路径规划任务.通过仿真对比MES-HRL与SNN-HRL算法在不同环境下的性能表现,仿真结果显示,MES-HRL算法解决了传统算法的探索问题,具有更出色的路径规划能力. 相似文献
2.
调窗处理能够提高医学CT图像对灰度的识别准确率，默认窗位窗宽(127.5, 255)局限性强，人工调窗不仅需要具备丰富的先验知识，而且效率低下无法广泛应用，为此提出一种自适应调窗算法.该算法首先根据序列图像最大和最小灰度值绘制直方图.其次设置相关参数，遍历直方图去除频数小于阈值T0的部分，再次遍历直方图将相邻两组频数差值小于阈值T1的部分合并.最后根据直方图计算窗宽窗位.通过对比实验表明，该算法在均方误差、信噪比和峰值信噪比方面都有所提高，能够有效地提高灰度识别准确率. 相似文献
1