摘要：日光温室温湿度模型是其结构设计与控制的重要基础,因日光温室系统具有大惯性、强耦合、非线性等特性,采用机理分析法,难以建立其准确的数学模型,导致日光温室控制效果差。神经网络建模能更加灵活地得到日光温室系统的参数,但传统的极限学习机(extreme learning machine,ELM)存在隐含层神经元激励函数固定,只考虑经验风险(即训练误差最小化),而导致过拟合等问题。为了实现对日光温室内温湿度环境因子的综合控制,需要进一步提高日光温室环境因子的预测精度,该文将基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识,并利用经验模态分解(empirical mode decomposition,EMD)方法确定网络隐含层节点数,建立了日光温室温湿度环境因子预测模型。利用所建立的模型对日光温室内的温度和湿度等环境因子进行预测结果表明:温度模型有效性为0.9434,湿度模型有效性为0.9208,实测值与预测值的拟合关系比较理想,说明基于正交基函数的改进型极限学习机对日光温室进行系统辨识是可行的,且对日光温室智能控制的发展有一定的参考价值。

摘要：足球机器人的研究是一项挑战性的研究领域,为了设计出智能型的球员必须涉及到计算机、人工智能、视觉及机械学等方面的研究。球员的学习能力是体现其智能的主要标志。如何在不断改变的外界环境中选取合适的动作技巧是在机器人足球比赛中的一个关键问题。该文介绍了马尔可夫决策过程,在半马尔可夫决策模型下,利用分层增强学习算法对不同层次的动作学习和选取同时进行学习。在仿真平台上进行实验,结果表明该学习方法是非常有效的。