为了充分利用需求侧大量未开发的资源,智能家居技术在解决智能电网“最后一英里”问题中发挥着至关重要的作用。强化学习 (RL) 在解决许多连续决策问题方面表现出色,是智能家居控制的绝佳候选。例如,许多研究已经开始研究动态定价方案下的家电调度问题。基于这些,本研究旨在提供一种经济实惠的解决方案,以鼓励更高的智能家居采用率。具体来说,我们研究将迁移学习 (TL) 与 RL 相结合,以降低最佳 RL 控制策略的训练成本。给定基准住宅的最佳策略,TL 可以启动针对具有不同家电和用户偏好的新住宅的策略的 RL 训练。模拟结果表明,通过利用 TL,RL 训练收敛速度更快,并且对于与基准住宅相似的新住宅,所需的计算时间要少得多。总之,本研究提出了一种经济有效的方法来大规模训练家庭 RL 控制策略,最终降低控制器的实施成本,提高 RL 控制器的采用率,并使更多家庭实现电网互动。
Oak Ridge,TN 37831,美国{Amasyalik,Yanliu,zandih }@ornl.gov摘要 - Reinforeveres Learning(RL)是一种强大的工具,在许多领域显示了许多领域,例如机器人和游戏。 由于RL算法通过与环境连续交互来学习最佳控制策略,因此这些算法需要大量数据才能学习,这将其应用限制为广泛的域。 因此,需要提高RL的培训和数据效率。 为了解决这一研究差距,本文提出了一种转移学习(TL)方法,以通过减少数据需求,从而减少培训时间来提高RL算法的效率。 为了证明拟议的方法,进行了从一组建筑物到另一个建筑物的知识转移。 结果表明,所提出的TL方法是一种有前途的方法,可以有效地利用类似RL任务的信息并减少RL算法的数据需求。Oak Ridge,TN 37831,美国{Amasyalik,Yanliu,zandih }@ornl.gov摘要 - Reinforeveres Learning(RL)是一种强大的工具,在许多领域显示了许多领域,例如机器人和游戏。由于RL算法通过与环境连续交互来学习最佳控制策略,因此这些算法需要大量数据才能学习,这将其应用限制为广泛的域。因此,需要提高RL的培训和数据效率。为了解决这一研究差距,本文提出了一种转移学习(TL)方法,以通过减少数据需求,从而减少培训时间来提高RL算法的效率。为了证明拟议的方法,进行了从一组建筑物到另一个建筑物的知识转移。结果表明,所提出的TL方法是一种有前途的方法,可以有效地利用类似RL任务的信息并减少RL算法的数据需求。
Erriurgun AD。 div>-4)DHS FIQRQ o:/tl/2024 ffi1til,-R。r. qovefil a ftq sfuq o ffi/mnfr -eftorfr(rteir/oor
摘要 — 脑机接口 (BCI) 使用户能够使用脑信号直接与计算机通信。最常见的非侵入式 BCI 方式脑电图 (EEG) 对噪声/伪影敏感,并且存在受试者间/受试者内的非平稳性。因此,很难在基于 EEG 的 BCI 系统中构建一个通用的模式识别模型,该模型对于不同的受试者、不同的会话、不同的设备和任务都是最佳的。通常,需要校准会话来为新受试者收集一些训练数据,这既耗时又不方便用户使用。迁移学习 (TL) 利用来自相似或相关受试者/会话/设备/任务的数据或知识来促进新受试者/会话/设备/任务的学习,经常用于减少校准工作量。本文回顾了近几年(即自 2016 年以来)关于基于 EEG 的 BCI 中的 TL 方法的期刊出版物。本文考虑了六种范式和应用——运动想象、事件相关电位、稳态视觉诱发电位、情感 BCI、回归问题和对抗攻击。对于每个范式/应用,我们将 TL 方法分为跨主题/会话、跨设备和跨任务设置,并分别进行审查。本文最后进行了观察和结论,可能指出未来的研究方向。
1这项研究的目的是量化和比较正常wistar-kyoto(WKY)和自发性高血压(SHR)大鼠的A2-肾上腺素受体的周转,并比较其在慢性治疗过程中的自发性高血压(SHR)大鼠。2在SHR中,激动剂[3H] -UK 14304和拮抗剂[3H] -RX 821002的特异性结合显着降低(BM。降低15-19%)。相比之下,在WKY和SHR大鼠之间发现两个放射性物体的K,D值没有显着变化。因此,SHR大鼠提供了一个遗传模型,其大脑中A2-肾上腺素受体密度较低。3慢性治疗(21-35天)用神经线(1 mg kg-',i.p.)明显降低了Sprague-Dawley(B.降低50%)和WKY(BM。减少了30%)大鼠,没有任何明显变化的放射性物体。相比之下,SHR中大脑A2-肾上腺素受体的密度并未被慢性神经术治疗降低。4在通过N-乙氧基碳核L-2-乙氧基 - 1,2-二氢喹啉(EEDQ; 1.6 mg kg-')(M2- adrenoppector的烷基化药物)中恢复[3H] -UK 14304的结合在不可逆地失活后的结合。持续7-21天)WKY和SHR大鼠研究A2-肾上腺素受体重生的过程并计算受体周转参数。6用神经线治疗(1 mg kg-',i.p.5同时对受体恢复曲线的同时分析表明,SHR大鼠中大脑A2-肾上腺受体的离职得到加速(K = 0.141 Day-'; T/2 = 4.9天; R/K = 40 fmol mg'蛋白蛋白与wky大鼠相比(k = 0.085 Day-day-day-'; tl/2 = 54; tl/2; tl/2; tl/2; tl/2 = 54; SHR中皮质M2-肾上腺素受体的密度降低(B,或RLK值)可能是由于受体降解较高(AK = 66%),而不是由于受体合成的降低,实际上显示出略有增加(AR = 24%)。持续21天)加速了WKY大鼠中大脑A2-肾上腺受体的转换(K = 0.328天 - '; TL/2 = 2.1天; RLK = 29 FMOL MG-1蛋白),受体降解(AK = 286%)的增加(AK = 286%)的增加(AK = 286%)的受体(AR = 109%)= 46 pers-persive = 109%powndions = powndions =降低。相反,用神经线治疗SHR中的脑M2-肾上腺素受体的营业率没有显着改变(k = 0.192天 - '; t1/2 = 3.6天; rlk = 39 fmol mg-'蛋白),表明,在这种遗传学模型中,他们无法预期的X2- X2- X2-降低的理论,这是X2- X2-降低的理论,受体合成的适应性增加。关键字:自发性高血压大鼠(SHR);脑X2-肾上腺素受体; [H] -uk 14304; [3H] -RX 821002; N-乙氧基-2-乙氧基-1,2-二氢喹啉(EEDQ);受体更新;神经线
摘要 — 脑机接口 (BMI) 已成为辅助技术的变革力量,通过实现设备控制和促进功能恢复,为运动障碍患者提供了帮助。然而,持续存在的会话间差异性挑战带来了重大障碍,每次使用时都需要耗时的校准。除此之外,当前设备的低舒适度进一步限制了它们的使用。为了应对这些挑战,我们提出了一种综合解决方案,将基于 CNN 的微型迁移学习 (TL) 方法与舒适的可穿戴 EEG 头带相结合。这种新型可穿戴 EEG 设备在头带上放置了柔软的干电极,并能够进行机载处理。我们获取了多个会话的运动 EEG 数据,并使用 TL 实现了高达 96% 的会话间准确度,大大缩短了校准时间并提高了可用性。通过每 100 毫秒在边缘执行一次推理,该系统估计可实现 30 小时的电池寿命。舒适的 BMI 设置配有微型 CNN 和 TL,为未来的设备持续学习铺平了道路,这对于解决会话间差异和提高可用性至关重要。索引术语 — 脑机接口、EEG、可穿戴医疗保健、可穿戴 EEG、深度学习、迁移学习
在过去的50年中,已采用各种鼠菌株作为TL和VL的模型。这些模型已用于研究细胞类型,细胞因子,抗利什曼原虫效应器机制和药物,以及评估临床疾病分辨率,对继发感染的抗性和疫苗发育的研究。(13,14)小鼠感染的模式和严重程度取决于利什曼原虫物种和小鼠菌株。这些模型再现了人类疾病的许多方面,并具有一系列易感性,具体取决于小鼠菌株。(15)小鼠模型最常用于研究TL发病机理,这是由于细胞标记物以及近交,先天性和转基因菌株的高可用性。(16)不同基因型的小鼠固有地表现出对各种利什曼原虫菌株和物种的敏感性,如在非修订和自我修复中所观察到的