竞争学习

摘要： 小组合作与竞争学习的有机融合,是在初中化学改革的背景下,对化学教学体系的全面创新,也是构建全新化学教学指导体系的重要选择。本文将初中化学教学作为重要的方向,重点针对小组合作竞争学习的有效应用进行了系统的探究,旨在能够构建完善的初中化学教学指导体系,辅助学生对初中化学知识的学习,从而改善初中化学教学过程,促进小组合作竞争学习的有效设计和优化创新应用。

摘要： 针对传统PSO算法容易陷入局部最优的问题,提出一种基于竞争学习的粒子群优化算法(CLPSO);在CLPSO中,首先通过动态计算粒子的适应度值将种群分成优选、合理和疏离3个子群;其次,根据3个子群中粒子的进化特性,为3个子群分别设计了不同的更新变异方式;然后,利用12个基准测试函数对算法的性能进行了验证;实验结果表明,所提的竞争学习策略能够有效克服经典PSO算法在处理复杂多峰问题时容易陷入局部最优的缺陷;最后,利用CLPSO算法优化模糊神经网络的参数设计CLPSO-FNN算法,并利用其建立出水氨氮软测量模型,实验表明,CLPSO-FNN软测量模型能够更精确、更实时地测量出水氨氮浓度.

摘要： 本文结合笔者的研究和实践,针对当前初中化学的学科特点,以及所执教班级的现状,探究小组合作竞争的课堂管理,充分发挥小组合作竞争在化学课堂中的优势,带动后进生学习,构建高效课堂,最终实现全体共同进步。

摘要： 本文是以职业中学足球课中运用了异质分组教学法进行教学研究,把原教学班进行异质分组并进行教学,从组内帮教合作学习以及组间竞争学习模式入手,充分发挥合作与竞争学习的作用,组内合作学习充分激发了学生的学习兴趣,提高学生的自信心;组间竞争充分调动学生的学习动机,提高学习积极性.推动了学生的足球技术以及竞争意识、交际能力、合作意识、运动兴趣、运动自信心的提高,起到了一个事半功倍的教学效果.

摘要： 有研究表明,运算阶段的儿童有着比成人更为强烈的竞争意识。教学中常常发现,小学生总是希望自己在老师和同伴们面前表明与众不同,他们希望得到老师和家长的肯定。由此可以看出,儿童的心理发展中竞争意识是十分强烈的。基于此,在小学数学教学中应该营造良好的竞争学习氛围,通过多向交流培养他们的竞争能力。同时,在竞争的过程中促使他们养成耐挫的品质。这样,就能提升他们的综合学习能力。

摘要： 体育作为促进学生身体素质提升以及思想观念形成的重要学科,教师需要充分认识到体育教学的意义,并在体育教学过程中贯彻快乐体育的教学理念,让学生在快乐的氛围中享受体育学习,同时获得体育素养的提升。

摘要： 针对受限玻尔兹曼机(RBM)无监督训练存在特征同质化问题以及现有稀疏受限玻尔兹曼机(SRBM)难以自适应稀疏的缺陷,提出了一种基于竞争学习的RBM稀疏机制方法.首先设计基于神经元权值向量与输入向量间夹角余弦值的距离度量,评估两者相似度;然后在训练过程中对不同样本选择出基于距离度量的最优匹配隐单元;其次根据最优匹配隐单元激活状态计算对其他隐单元的稀疏惩罚度;最后执行参数更新并依据深度模型训练过程,将竞争稀疏应用于深度玻尔兹曼机(DBM)的构建中.通过手写数字识别实验证明,与误差平方和正则化因子相比,基于该稀疏机制的DBM分类准确率提高了0.74％,平均稀疏度提高了5.6％,且无需设置稀疏参数,因此,该稀疏机制可提高RBM等无监督训练模型的训练效率,并应用于深度模型的构建中.

摘要： 基于群体的增量学习算法(PBIL)是一种将遗传算法和竞争学习相结合的新型进化优化算法。本文针对PBIL算法仍然存在的问题,将精英策略引入PBIL算法,提出了一种对当前种群最优解集和至今算法最优解同时进行学习的改进PBIL算法。通过对测试函数的实验表明,改进算法具有比标准PBIL算法更好的优化性能。

摘要： 基于竞争学习的神经网络是聚类分析的一种重要方法,该方法用于克服在线聚类时出现的稳定性/可塑性两难问题.为了解决竞争层中存在的主要问题: 竞争层神经元个数固定导致无法适用于事先不知道聚类数目的问题; 数据提交的顺序和学习速度等参数的选择导致聚类中心来回振荡;如果一个神经元的初始权值离输入样本太远以至它从未在竞争中获胜,从而产生毫无用处的死神经元;本文提出了增加/删除的竞争神经网络 ADCNN.它采用改进的 Hebbian 学习算法,并根据相似度确定奖励和惩罚的等级.在学习过程中 ADCNN根据需要增加神经元以形成新的聚类,在学习结束后经过分析删除错误的聚类,从而避免了死神经元问题并使在线聚类更加准确.ADCNN 还可以预测聚类数目并优化初始系数.通过实验测试表明 ADCNN 既可准确地完成聚类工作又可应用于分类问题.

摘要： 本文提出一种基于神经网络的自组织模糊系统,该系统由前向多层神经网络构成,分两阶段学习:竞争学习阶段、监督学习阶段.该系统最大的特点是根据输入数据的分布灵活地划分模糊集合;根据同一聚类空间输出数据的分布确定模糊规则数,而不只是由输出数据的平均值确定.最后将该系统用于某炼油厂辛烷值的软测量建模,实验结果表明,该系统具有结构简单、学习速度快、建模精度高、泛化能力强等优点,优于UOP专利模型.

摘要： 该文介绍了一种基于神经网络的对机器人的视觉图像信号进行预处理的算法，该算法用单层神经网络的竞争学习规则对图像进行分割和恢复，以实现预处理。初步实验结果表明，该算法在收敛速度、计算量及最终恢复结果等方面有一定的优越性。

摘要： 介绍了一种基于神经网络对微管道机器人的信号进行预处理的算法，该算法用单层神经网络的竞争学习规则对图像进行分割和恢复，以实现预处理，初步实验结果表明，该算法在收剑速度、计算机量及最终恢复结果等方面有一定的优越性。

摘要： 本发明属于机器学习技术领域，具体为一种基于竞争重构学习的半监督异常检测方法。本发明设计两个解码器对样本数据进行竞争重构，它们共享一个编码器以使得数据映射到同一个子空间中，在正样本的标签信息的辅助下，正样本解码器会对正样本有更小的重构误差，而负样本（异常数据）解码器对负样本的重构误差会更小。本发明方法框架简单、使用方便、可扩展性强、可解释性强，在七个主流异常检测数据集进行了实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。

摘要： 本发明提供了一种基于博弈的Q学习竞争窗口调整方法、系统及介质，包括：步骤1：初始化网络节点设置，进行自组网并建立路由表；步骤2：全网节点通过路由表获知一跳邻居节点个数，并广播至邻居节点；步骤3：计算节点在网络中的权重大小并进行广播；步骤4：根据网络差异性采取不同退避策略；步骤5：网络中各节点按照步骤4产生的竞争窗口状态集合进行Q学习，输出最优竞争窗口区间，并依此进行通信；步骤6：网络拓扑结构发生改变或业务负载产生较大波动后，重复执行步骤2‑5。本发明使用博弈论对网络场景进行分析，确定不同节点进行Q学习的状态集合，然后利用Q学习算法产生决策，更新竞争窗口区间，以达到优化整体网络性能的大小。

摘要： 基于竞争深度Q学习的微电网紧急减载方法，首先考虑负荷的重要程度和系统的频率恢复时间，提出计及负荷频率调节效应和负荷减载优先级的减载贡献指标，该减载贡献指标作为减载判据被引入到竞争深度Q学习的奖励值函数中；其次考虑紧急减载的突发性及不确定性，通过竞争深度Q学习算法来获得累计回报最大的减载决策。该方法能够得到孤岛微电网紧急减载时的最优减载策略，以保证紧急孤岛期间重要负荷稳定供电。

摘要： 本发明公开了一种基于多智能体强化学习的分布式信道竞争方法，包括如下步骤：步骤1：构建分布式信道竞争场景，并且构建多智能体强化学习所需的基本元素，包括环境、智能体、状态、动作以及奖励函数；步骤2：构建方法所需多智能体强化学习模型；步骤3：智能体与环境进行交互，令各个智能体构建各自的经验回放集合，用以训练多智能体强化学习模型；步骤4：将训练完成的模型用于分布式信道竞争。其优点在于，实现了一种去中心化的信道竞争策略，不需要像传统网络一样依赖于基础设施；相比于使用分布式随机算法有更好的自适应性；可以进行分布式训练，大幅减少训练时间，有较好的信道使用率以及较为公平的信道使用。

摘要： 本发明涉及一种基于双智能体竞争强化学习的机器人路径探索方法，包括以下步骤：S1、构建马尔科夫决策模型，初始化智能体和经验池；S2、记录智能体Agent1当前状态st，探索k步记录当前轨迹序列至经验池Buffer1；S3、将智能体Agent2置于状态st处，智能体Agent2探索k步，记录当前轨迹序列至经验池Buffer2；S4、以探索轨迹之间的相似度作为智能体Agent1的额外奖励，相反数作为智能体Agent2的额外奖励；S5、当经验池中数据数数目满足要求，更新智能体Agent1与Agent2的策略；S6、重复执行步骤S2‑S5，直到智能体Agent1到达目标状态或超出设定时间tlimit；S7、重复执行步骤S1‑S6直到完成设定训练剧集数。与现有技术相比，本发明使智能体能够更有效的探索，加快训练速度，提升样本的利用效率，同时能够有效消除随机噪声，更具有鲁棒性。

摘要： 本发明涉及一种基于强化学习和相位竞争的自适应信号控制方法及系统，其包括：与仿真环境交互得到交叉口状态，利用策略网络πθ的输出得到决策，在决策后收集奖励和下一时刻的状态，得到样本仿真轨迹；基于仿真轨迹，对PPO网络进行训练和参数更新，重复若干轮直至收敛。收敛后模型能基于交通流量的实时状态进行信号调整控制信号。本发明在保证信号控制的效果同时，能够适用于不同交叉口。本发明可以广泛在城市交通信号控制领域中应用。

摘要： 本发明公开了一种用于机器类通信系统的有序竞争大规模接入学习方法，包括：新接入的设备采用多智能体强化学习算法来协作选择满足自身的需求的信道；设备在物理随机接入信道上发送前导码，基站接受请求之后发送应答，应答里包括对该设备在选择的前导码下的特定编号，该特定编号根据设备自身的优先级来确定，编号最小的设备在物理随机接入信道上发送数据，其余编号的设备都处于等待状态，每过一个单位时刻，等待中的设备编号自动缩减。本发明弱化了竞争过程中的随机性，新接入的设备可以通过多智能体强化学习算法进行协作选择合适的前导码并按照优先级划分，同时确保还未成功接入设备的最低时延要求。

摘要： 本发明公开一种基于鸽群智能竞争学习的无人机集群对抗控制方法，包括以下实施步骤：步骤一：初始化集群对抗环境设置；步骤二：建立无人机集群对抗运动控制模型；步骤三：建立基于动态博弈论的作战目标分配模型；步骤四：建立无人机集群作战目标分配的代价函数；步骤五：设计基于竞争学习机制的鸽群优化算法；步骤六：输出无人机集群对抗结果；该方法解决了无人机集群对抗中的运动控制和作战目标分配问题，设计成本低、实时性强、稳定性高，具有实际应用价值，提升了无人机集群对抗中的自主能力水平。

摘要： 本发明针对现有目标分类方法存在的样本错误标记、类别模糊、人为知识干预带来的训练难题，提供一种蒸馏式竞争学习的目标分类系统和方法，可以显著提高基于深度学习的目标识别准确率，为基于深度学习的目标分类领域提供核心技术支撑。

摘要： 本发明公开了一种基于竞争学习约束多目标粒子群算法的多区域环境经济调度方法。包括以下步骤：通过快速非支配排序和拥挤距离排序确定精英种群，然后利用基于空间角度信息的竞争机制选出优胜粒子来引粒子更新，采用边界处理和循环修复方法分别对系统中不等式和等式约束进行修复，计算经济和环境目标值。该方法减少了全局最优粒子对种群的影响，增加了粒子学习的多样性，较好地避免算法过早收敛而陷入局部最优，提高了算法的精度。优胜粒子是从当前种群中选出，不需要额外的存档来记录个体历史最优位置，这简化了多目标粒子群算法的结构，提高了计算效率。对不同的约束条件采用不同的修复方法，提高了解的可行性。