任意未知三粒子纠缠态的概率传递及其量子逻辑电路

提出了一种任意未知三粒子纠缠态通过三对部分纠缠态作为通道的概率传递方案.在贝尔态测量后,如果接收者引入一个联合幺正变换,传递可以顺利实现.不同于其他文献之处在于,这个联合幺正变换对于所有情况是惟一的.最后,给出了实现这种传递的量子逻辑电路.     

基于EPR对的量子控制传态和通信

提出了一种利用EPR对作为量子通道的量子控制传态方案,方案中以EPR对作为量子通道包括进了第3方,以便量子通道可以被其控制,量子信息只有在三方都同意的情况下才能实现传输．以这种量子控制传态为基础,还提出了一种量子安全直接通信方案．     

移动通信衰落信道的建模与仿真

在分析移动通信信道的多普勒扩展、平坦衰落和频率选择性衰落的基础上,将有限个等频率间隔的随机相位谐波信号叠加,设计了移动通信系统的Rician信道确知仿真模型;通过选择不同滤波器结构和参数将高斯白噪声转化为多种有色高斯随机过程,设计了移动通信系统的Rician信道随机仿真模型.基于最小均方误差(MMSE)准则推导了任意信号功率谱条件下的信道模型参数,利用Matlab编程实现了移动通信衰落信道实验系统.仿真实验表明,提出的2种信道模型较好地反映了移动通信衰落信道的主要特征且实现简单,尤其是谐波数为8的确知仿真信道参数已经接近理论值,适用于多种移动通信系统的理论研究和信道仿真.     

基于确定学习的有阻尼受迫Sine-Gordon方程的辨识

文中就一类有阻尼受迫Sine-Gordon方程的系统动态进行辨识研究.首先利用有限差分理论,将由偏微分方程描述的无穷维Sine-Gordon方程近似为由一组常微分方程描述的有限维系统,然后证明该近似系统解的存在唯一性和收敛性,最后利用确定学习对该近似系统的系统动态进行辨识.实验结果表明,文中方法可实现该类Sine-Gordon方程系统动态的局部准确辨识.     

基于确定学习的机器人故障诊断

针对存在扰动的机器人系统,提出了一种基于确定学习的故障诊断方法.基于确定学习理论,采用RBF神经网络获取正常模式和各种故障模式下的系统动态知识,并将学到的知识以常数神经网络权值的形式存储于模式库中.诊断过程不再需要重新训练神经网络,而是对已学知识的再利用,并运用动态模式识别的方法实现故障的快速检测与分离.仿真验证了所提方法的正确性和有效性.      

好奇心驱动的深度强化学习机器人路径规划算法

针对采用深度强化学习算法实现机器人路径规划任务中,训练前期随机性高导致奖励难获取问题,提出内在好奇心驱动的深度确定性策略梯度算法对连续型动作输出的端到端机器人路径规划进行研究。将环境获取的感知信息作为输入状态,输出机器人动作(线速度、角速度)的连续型控制量,在Gazebo仿真平台进行训练并验证。实验结果表明,基于内在好奇心驱动的深度确定性策略梯度路径规划算法可以较好地实现端到端的机器人路径规划,并且有利于解决训练前期奖励难获取问题,与离散型动作输出的深度Q学习网络模型进行了对比分析,结果表明本文算法决策控制效果更优越。在真实环境中进行了验证,在静态障碍和动态障碍的场景下,所提出算法可成功到达目标点。     

体系作战下巡航导弹的动态隐身

通过体系作战下的系统作战仿真平台, 利用强化学习方法实时调整巡航导弹航迹, 实现面对敌方传感器的动态隐身。以巡航导弹突防美军“海军综合防空火控”系统为典型作战场景, 基于体系作战仿真平台设计了一种引入动态预警威胁和拦截脱靶量的奖励函数, 使用深度确定性策略梯度算法训练巡航导弹突防模型, 模型训练完成后巡航导弹通过感知预警机和拦截导弹的状态, 改变其机动轨迹以降低探测概率和提高拦截脱靶量, 达到动态隐身的效果, 进而提升其战场生存能力和突防能力。     

考虑员工偏好分布的概率型自选班次模型

确定型自选班次（DSR）没有充分考虑员工对班次偏好的差异程度,降低了用工效益。为了解决该问题,引入概率班次的概念,提出了以最小用工成本为目标的概率型自选班次（PSR）用工模型。讨论了员工偏好为一般性分布情形下,概率值为0.5时,PSR的用工成本最低,分析了当单位用工策略由DSR改革为PSR时,各班次如何制定工价的问题;同时,探讨了PSR用工成本优势的来源。在员工偏好为具体的均匀分布情形下,验证了上述结论的正确性。最后,通过算例实验分析了PSR在实际应用中的科学性。     

缺失数据下线性模型中缺失值处理方法的比较

在响应变量随机缺失的线性模型中,利用R统计软件模拟比较完全样本法、固定填补法和分数线性回归填补法得到的回归系数、响应变量均值、响应变量的分布函数、响应变量的分位数估计,并用标准误差（SE）评判其优劣.结果表明,除固定填补法外,无论采用其余哪种方法,随着样本容量的增大,评判值SE减小,样本容量越大,估计也就越精确 缺失概率的大小也影响估计的精度,缺失概率越大,相应的评判值SE越大,估计的精度也就越差 另外,在分数线性回归填补法中,J=5的结果总是比J=1的结果好,这说明随着J的增大,其估计精度也随着提高.