修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

15 条数据
?? 中文（中国） ▾

  • [IEEE 2019年第18届国际光通信与网络会议(ICOCN) - 中国黄山 (2019.8.5-2019.8.8)] 2019年第18届国际光通信与网络会议(ICOCN) - 基于强化学习的多模态光传输网络图像处理演示

    摘要： 在光传输网络中，并发业务的编排可能需要额外的光电转换O/E端口，从而带来过高成本。我们首次提出一种基于图像处理的强化学习算法，用于多模态光网络中的并发业务编排，仿真结果表明该算法能通过节省配置的O/E端口来提高成本效益。

    关键词： 光传输网络、服务编排、强化学习、多模态

    更新于2025-09-16 10:30:52

  • [IEEE 2019光子学与电磁学研究春季研讨会（PIERS-Spring） - 意大利罗马（2019年6月17日-2019年6月20日）] 2019光子学与电磁学研究春季研讨会（PIERS-Spring） - 基于线极化电磁波宽带非对称传输的光学活性编码超表面

    摘要： 如今，人工智能的学习模型能在多种任务中表现出色。然而实践中，不同任务环境往往需要不同的学习模型而非单一通用方案。大多数非简单模型需调整多个学习参数，这通常由外部人员逐案处理。元学习指智能体自主动态调整自身学习参数或元参数的能力。本文展示如何将新兴人工智能模型——投影模拟法自然扩展至强化学习场景中的元学习应用。该投影模拟方法基于片段网络的随机游走过程，所提出的元学习方案沿用相同设计架构，利用片段网络实时监测智能体表现并动态调整元参数。我们区分了反射型适应与学习型适应两种方式，并验证了两者的效用。此外还探讨了灵活性与学习时间之间的权衡问题。经在三类强化学习任务中测试（这些任务中智能体的元参数最优值各不相同），扩展模型表现出色，在无需人工调整任何元参数的情况下，所有任务均达到接近最优或最优成功率。

    关键词： 机器学习、量子力学、强化学习、自适应算法、随机过程、学习、元学习

    更新于2025-09-16 10:30:52

  • [IEEE 2019年国际俄罗斯自动化会议 - 俄罗斯索契 (2019.9.8-2019.9.14)] 2019年国际俄罗斯自动化会议(RusAutoCon) - 基于强化对抗学习的激光雕刻机控制系统

    摘要： 近年来，深度神经网络在解决图像处理与分析相关问题方面展现出高效性。生成对抗神经网络的最新研究为解决图像风格迁移、跨域适应以及为目标概率分布生成新数据等问题开辟了广阔前景。生成网络实现复杂且弱形式化转换的能力，使得基于生成对抗技术的信息系统能够以类似人类创造性思维的方式解决机器学习问题。本文展示了一项基于生成对抗网络的数控激光雕刻机智能控制系统设计、训练与部署的实验研究成果。由于训练深度模型需要大量数据，因此本实验研究的主要挑战之一是缺乏标注训练数据集。所提出的基于深度生成模型的激光雕刻机控制系统能够缩短制造流程时间。

    关键词： 生成对抗网络、智能控制系统、深度学习、强化学习

    更新于2025-09-11 14:15:04

  • 基于强化学习的光伏系统最大功率点跟踪

    摘要： 最大功率点跟踪（MPPT）技术常用于光伏系统中，以在不同环境条件下提取最大功率。扰动观察法（P&O）是最著名的MPPT方法之一，但它可能面临最大功率点（MPP）附近大幅振荡或跟踪效率低下的问题。本文提出了两种基于强化学习的最大功率点跟踪（RL MPPT）方法，分别采用Q学习算法构建Q表和Q网络。这两种方法无需预先获取实际光伏组件的信息，可通过学习阶段和跟踪阶段两步离线训练实现MPP跟踪。实验结果表明，与P&O方法相比，基于强化学习的Q表最大功率点跟踪（RL-QT MPPT）和基于强化学习的Q网络最大功率点跟踪（RL-QN MPPT）方法均具有更小的纹波和更快的跟踪速度。此外，RL-QT MPPT方法振荡更小，而RL-QN MPPT方法实现了更高的平均功率。

    关键词： 光伏（PV）系统、Q学习、强化学习、最大功率点跟踪（MPPT）、Q网络

    更新于2025-09-11 14:15:04

  • 近似电路（方法学与CAD） || 虹膜识别系统中的近似计算

    摘要： 对于那些对结果质量的小幅下降具有容忍度的应用场景，近似计算技术已在软硬件设计中成功应用以降低系统开销。近期许多研究聚焦于机器学习与计算机视觉等高速增长领域。本章我们将介绍生物特征识别安全作为近似计算的又一理想应用场景（具体原因将在后文探讨）。生物特征识别应用包括但不限于指纹识别、虹膜识别和人脸识别。该领域特别适合近似计算的主要原因有三：(1) 生物特征数据量大且计算密集；(2) 不同个体的生物特征签名具有大范围统计差异性保证；(3) 生物特征数据采集过程通常存在噪声，意味着同一用户的特征签名在不同采集实例中可能存在波动。例如虹膜识别行业标准ISO/IEC 19794-6规定：当两个各含2048比特的虹膜编码之间的汉明距离达到25%时仍视为匹配成功——这是因为统计保证显示：不同个体（甚至同一用户不同眼睛）的虹膜编码出现小于25%汉明距离的概率仅为130亿分之一[1]。

    关键词： 虹膜识别、生物特征安全、软硬件协同设计、强化学习、近似计算

    更新于2025-09-04 15:30:14