XiaoMi-AI文件搜索系统
World File Search System钢筋
新兴股票市场分析的卷积深钢筋学习体系结构
在复杂而充满活力的股票市场格局中，投资者试图优化收益，同时与价格波动相关的微型风险。已经提出了各种创新方法，以通过考虑历史趋势和社会因素来实现高利润。尽管取得了进步，但预测市场动态仍然是一个持续的挑战。这项研究介绍了一种新颖的深入增强学习（DRL）体系结构，以有效地预测股票市场的回报。与需要手动功能工程的传统方法不同，拟议的模型利用卷积神经网络（CNN）直接处理每日股票价格和财务指标。该模型通过用卷积层替换传统的Q-表，解决了培训期间过度拟合和数据稀缺问题。优化过程最小化了平方误差的总和，从而提高了词典的准确性。实验评估证明了该模型的鲁棒性，在短期和长期视野中，在买卖策略上实现了67％的方向准确性。这些发现强调了该模型在浏览复杂市场环境中的适应性和有效性，从而在财务预测方面取得了重大进步。
利用先前的解决方案来奖励成型和熵的钢筋学习
在加强学习（RL）中，从先前解决的任务中利用先验知识的能力可以使代理可以快速解决新问题。在某些情况下，可以通过组成先前解决的原始任务（任务组成）的解决方案来大致解决这些新问题。否则，可以使用先验知识来调整新问题的奖励功能，从而使光学策略保持不变，但可以更快地学习（奖励成型）。在这项工作中，我们开发了一个通用框架，用于奖励成型和任务组成，以熵进行的RL。为此，我们得出了一个确切的关系，该关系连接了具有不同奖励函数和动力学的两个熵调查的RL概率。我们展示了派生的关系如何导致熵调查的RL中奖励成型的一般结果。然后，我们将这种方法推广，以得出一个确切的关系，该关系连接最佳值函数，以在熵正则化的RL中组成多个任务。我们通过实验验证了这些理论贡献，表明奖励成型和任务综合会导致在各种环境中更快的学习。
使用复合的深钢筋学习来优化投资比率
摘要：在这项研究中，使用复合深度强化学习优化了投资比率，并学习了使用过去汇率的财务交易策略。当前，关于机器学习到财务的应用的研究正在如火如荼地进行。复杂的兴趣加强学习是一种旨在学习最大化利润率的复杂利益影响的增强学习的框架。在复合利息增强学习中，存在称为投资比率的新参数，并且可以通过将投资比率设置为最佳价值来最大化，从而最大程度地提高了利率的复合效果。先前的研究提出了一种在复合深度强化学习和复合深度强化学习中优化投资比率的方法。在这项研究中，使用复合兴趣的财务交易策略深入了解，以学习一种方法来优化投资比率，并以涉及行动的方式使用美元汇率的实际汇率。
FRP复合材料
根据中国的研究，由于其良好的耐腐蚀性，使用纤维增强聚合物（FRP）复合材料钢筋钢筋钢筋钢筋钢筋钢筋钢筋钢筋钢筋作为替代海洋砂混凝土中传统钢棒的可行性。它探讨了FRP在海水海洋砂混凝土等碱性环境中提高建筑耐用性的潜力。该研究比较了玻璃纤维增强聚合物（GFRP）和碳纤维增强聚合物（CFRP）钢棒，FRP的预期寿命约为20至30年，突出了SWSSC中耐腐蚀性和性能的差异（海水和海水砂混合物）。它解决了腐蚀后FRP复合材料钢筋钢筋的故障特性，强调了树脂基质在维持与混凝土键合中的重要性。诸如寻找更多耐腐蚀的树脂矩阵或在光纤矩阵界面上添加层的策略，以增强FRP复合材料钢筋的性能。
Fisher指导的选择性遗忘（FGSF），用于深钢筋学习
摘要。我们提出了一种适合深入加强学习（DRL）问题的新颖算法，该算法利用信息几何形状实施战略性和选择性遗忘。我们的方法旨在解决DRL的首要偏见，并在顺序决策框架内提高适应性和鲁棒性。我们从经验上表明，通过包括利用Fisher Information Matrix来实现的选择性遗忘机制，与仅专注于学习的传统DRL方法相比，人们可以获得更快，更健壮的学习。我们的实验是在流行的DeepMind Control Suite基准上执行的，可以加强该想法 - 已经存在于文献中 - 忘记是学习的基本组成部分，尤其是在具有非平稳目标的情况下。
基于深钢筋学习方法的氧化还原电池模拟模型的优化
摘要：钒氧化还原电池（VRFB）在过去几十年中在混合储能系统（HESS）中发挥了重要作用，这是由于其独特的特征和优势。因此，对VRFB模型的准确估计在大规模存储应用中非常重要，因为它们对于在嵌入式能源体系结构中纳入了储能系统和控制算法的独特特征是必不可少的。在这项工作中，我们提出了一种新颖的方法，该方法结合了基于模型的和数据驱动的技术来预测电池状态变量，即电荷状态（SOC），电压和电流。我们的建议利用增强了深层增强学习技术，特别是深层Q学习（DQN），通过将Q学习与神经网络相结合以优化VRFB特异性参数，从而确保真实数据和模拟数据之间的稳健拟合度。我们提出的方法在电压预测中的现有方法优于现有方法。随后，我们通过纳入了第二种深度RL算法（Dueling DQN）来增强所提出的方法，这是DQN的改进，结果提高了10％的结果，尤其是在电压预测方面。所提出的方法导致了准确的VFRB模型，该模型可以推广到几种类型的氧化还原流量。
用Lyapunov屏障证书正式验证深钢筋学习控制器
摘要 - 深处增强学习（DRL）是一种强大的机器学习范式，用于生成控制自主系统的代理。但是，DRL代理的“黑匣子”性质限制了其在现实世界中关键应用程序中的部署。为代理行为提供强大保证的一种有前途的方法是使用神经Lyapunov屏障（NLB）证书，该证书是通过系统中学的功能，其属性间接地暗示着代理的行为。但是，基于NLB的证书通常很难学习，甚至更难验证，尤其是对于复杂的系统。在这项工作中，我们提出了一种新颖的方法，用于培训和验证基于NLB的离散时间系统证书。具体来说，我们引入了一种证书组成的技术，该技术通过策略性地设计一系列证书来简化高度复杂系统的验证。当通过神经网络验证引擎共同验证时，这些证书提供了正式的保证，即DRL代理都实现了其目标并避免了不安全的行为。此外，我们引入了一种用于证书过滤的技术，该技术大大简化了生成正式验证的证书的过程。我们通过案例研究证明了我们的方法的优点，该案例研究为DRL控制的航天器提供了安全性和livesice保证。
通过深钢筋学习用软机器人手臂推动
和投掷。[14]但是，由于收集和标记代表性交互数据集，广泛的优化和过度拟合的挑战，数据驱动的前向模型对于交互任务不合适。与未经检测环境相互作用的CSM的有希望的方法是连续机械模型。这些模型以物理术语表征了软机器人的变形，并用作物理相互作用的有价值的模拟器。经典的有限元方法可以准确代表复杂的3D几何形状。[15]这种准确性以高计算成本而使控制问题复杂化，尽管最近的模型订单减少技术使这些方法更实惠。[16,17]其他合适的方法采用了降低的机械模型，例如哥塞拉特杆，它们有效地描述了经历了大型专制的细长身体，平衡了复杂力学和计算效率的准确表示。
使用深钢筋学习的1型糖尿病的个性化双激素控制
我们通过对1型糖尿病患者（T1D）的患者开发深钢筋学习（RL）提出了双激素控制算法。特定于双重扩张的复发性神经网络用于学习由Q-学习变体培训的激素递送策略，其输入是葡萄糖和粉碳水化合物的原始数据，输出是提供双激素（基础胰岛素和葡萄糖素）的动作。，我们对葡萄糖胰岛素代谢的知识进行了先验知识，我们在UVA/Padova模拟器中开发了数据驱动的模型。我们首先在平均T1D环境中预先培训了一般的模型，并进行了长期探索，然后采用重要的抽样来训练每个个体的个性化模型。silico，所提出的算法在很大程度上减少了不良血糖事件，并在范围内达到了时间，即正常血糖的百分比，成年人为93％，青少年为83％，而青少年的时间为83％，以前的表现优于先前的方法。这些结果表明，深RL具有改善慢性疾病治疗的巨大潜力。
通过深钢筋学习辅助操作员选择的受约束多目标优化
摘要 - 分解有限的多目标优化问题，其进化算法引起了相当大的关注。使用不同的算法策略，进化运算符和约束处理技术，已经开发出各种受约束的多目标优化算法（CMOEAS）。CMOEA的性能可能很大程度上取决于所使用的操作员，但是，通常很难为当前的问题选择合适的操作员。因此，改善操作员的选择是有希望的，对于CMOEAS来说是必要的。这项工作提出了一个在线操作员的选择框架，并在深入的强化学习中有助于。人口的动态，包括融合，多样性和可行性，被视为国家；候选运营商被视为行动；人口状态的改善被视为奖励。通过使用Q-Network学习策略来估计所有动作的Q值，建议的方法可以适应地选择一个操作员，该操作员根据当前状态最大程度地提高人口的改善，从而改善算法性能。该框架嵌入了四个流行的CMOEAS中，并在42个基准问题上进行了评估。实验结果表明，与九个最先进的CMOEA相比，提出的深钢筋学习辅助操作员的选择显着提高了这些CMOEAS的性能，并且所得算法获得了更好的多功能性。