電子鼻技術發(fā)展至今已有幾十年的歷史,在環(huán)境監(jiān)測、食品安全、醫(yī)療診斷等方面得到了廣泛的應用。嗅覺和其他人類知覺類似,是一種主動感知(Active Perception)過程,可以用馬爾可夫決策過程(MDP)來描述,強化學習是解決MDP問題的重要的方法。近年來,結(jié)合了深度學習的強化學習算法(如DQN、A3C等)取得了很大的突破,受到了越來越多的重視。傳統(tǒng)的強化學習算法依賴外部獎勵信號,但在外部獎勵稀疏或者缺乏時強化學習算法便無法適用。而生物體可以在只有稀疏外部獎勵信號或者沒有外部獎勵信號的情況下進行學習。本文在生物學習的仿生基礎上提出了一種基于內(nèi)在激勵學習機制的強化學習框架,模擬生物在學習過程中產(chǎn)生內(nèi)部獎勵信號(如好奇心和賦能),通過內(nèi)部獎勵信號和外部獎勵信號共同作用,以彌補強化學習的缺陷。針對目前電子鼻存在的不足,本文應用基于內(nèi)在激勵學習機制的強化學習框架來提高電子鼻性能。主要進行了以下研究:(1)硬件傳感器由于其電子特性、數(shù)量等原因決定了電子鼻無法與生物嗅覺相媲美,本文嘗試在改善進氣氣道設計、傳感器布置以及動態(tài)調(diào)制采樣速度基礎上,將傳統(tǒng)的靜態(tài)分類算法,轉(zhuǎn)換為動態(tài)馬爾可夫決策過程,以充分...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖１－１機器學習分類結(jié)構圖??監(jiān)督學習在分類時存在很多問題，例如泛化問題、正確學習數(shù)據(jù)的選擇和處??

獎勵信號才能得以持續(xù)工作。在許多場景下，比物嗅覺機制一樣，生物進行嗅探行為并不是或者了獎勵信號刺激，而是生物內(nèi)在自發(fā)的根據(jù)自身在少數(shù)，而是廣泛存在于各種現(xiàn)實場景，在外部，傳統(tǒng)的強化學習算法將不再適用。因此，如何術領域的重要研究方向。??可獲取和計算機算力的快速提升，圖形圖像識別得....

圖１－２論文章節(jié)結(jié)構圖??以下是圖丨－２中論文的具體結(jié)構：??

著更高的準確性。??１．５．２?本文的主要貢獻??（１）提出了一種基于內(nèi)在激勵學習機制的強化學習框架；??（２）在框架中使用兩種方式組成內(nèi)在激勵信號；??（３）實驗研究了不同氣體（黃酒、ＶＯＣ氣體）的進氣流速與傳感器響應的??關系，并將本文的框架與現(xiàn)有分類算法進行對比。??１．５....

圖2-s外部激勵行為和內(nèi)部激勵行為流程對比圖

?基于內(nèi)在激勵學習機制的電子鼻系統(tǒng)???動？他們從事各種各樣的活動，出于好奇或樂趣，沒有得到回報。這種行為在成??人和動物身上也能觀察到，這種行為現(xiàn)象被稱為內(nèi)在動機。心理學家依據(jù)動機的??來源區(qū)分內(nèi)在動機和外在動機。當獎勵來自環(huán)境時，它被稱為外部動機。??大腦會同時受外部環(huán)境和內(nèi)....

圖３－１現(xiàn)有強化學習框架??

現(xiàn)有強化學習框架是Ａｇｅｎｔ在已有動作序列中選擇一個動作對環(huán)境產(chǎn)生影??響，環(huán)境把觀測值和外部獎勵反饋給Ａｇｅｎｔ，然后Ａｇｅｎｔ據(jù)此使用算法對下一個??動作序列進行動作選取。如圖３－１：??ａｔｕ動作???觀測值〇，?ｔ??環(huán)境?Ａｇｅｎｔ?一???＾?ＤＱＮ，Ａ３Ｃ算法??外....

本文編號：3978773