基于ESS模型的云状自动识别方法

为了提高云图自动识别的准确率,提出了一种新的云状自动识别方法。基于湍流标度理论,将湍流的标度特征应用于云图的自动识别和分类中,对云图的灰度数据进行扩展自相似(ESS)模型标度分析,提取云图的标度指数特征,利用不同云系的标度特征识别云图。选用支持向量机作为分类器,对波状云、层状云、积状云、卷云和晴空5种云图进行识别。研究结果表明,通过提取ESS模型标度特征进行典型云状识别的准确率接近或超过90%。由于具有较强的显著性,基于湍流标度理论提取云图特征对云状识别方法是一个很好的补充。     

充分发展湍流标度律的数学模型

为了解湍流小尺度结构的特征,以及湍流雷诺应力模型的建立,开展了充分发展湍流的标度律研究。提出了建立数学模型来研究湍流标度律的方法,可以方便地提取湍流的标度指数。结果表明:该理论不再需要"惯性区的存在"或"大雷诺数"的假设,不再依赖于标度区间的确定,标度指数完全可以通过计算确定下来,新模型确定的标度指数与ESS的标度指数几乎完全一致,误差在1%以内,且物理意义更明确。     

关于G-P算法计算混沌关联维的讨论

关联维是描述混沌系统的一个重要的特征不变量,而G-P算法是目前计算关联维数的一个主要的算法,但是在使用G-P算法时,由于许多参量的选取存在很大的主观性,不同的选取会得到不同的结果,这个问题以前一直没有得到较好的解决。以具有解析结果Lorenz系统进行实例分析,指出采用G-P算法计算关联维数时,应对相关参数进行慎重和细致的选取,否则得出的结论将缺乏说服力。研究结果表明,不同的范数选取对关联维的计算影响很小、时间序列数据量大小的选取应以能够获得稳定的分数维为准则、重构相空间嵌入维数不能随意指定,但也不是越大越好,对Lorenz系统而言最大取到10较为合适。     

基于知识的深度强化学习研究综述

作为解决序贯决策的机器学习方法,强化学习采取持续的“交互-试错”机制,实现智能体(Agent)与环境的不断交互,从而学得完成任务的最优策略,契合了人类提升智能的行为决策方式。知识作为一种包含了经验、价值观、认知规律以及专家见解等要素的结构化信息,应用于强化学习可以有效提高Agent的学习效率,降低学习难度。鉴于此,本文以强化学习的基本理论为起点,对深度强化学习以及基于知识的深度强化学习研究成果进行了系统性的总结与梳理。