诸如MAP-Elites之类的质量多样性(QD)算法已成为传统单目标优化方法的有力替代方案。它们最初应用于进化机器人问题,如运动和迷宫导航,但尚未得到广泛应用。我们认为这些算法非常适合视频游戏的丰富领域,它包含许多成功策略的许多相关问题,并且还有多个维度,解决方案可以随之变化。本文介绍了MAP-Elites算法的一种新颖修改,称为带有滑动边界的MAP-Elites(MESB),并将其应用于Hearthstone的设计和重新平衡,这是一种流行的可收集纸牌游戏,其选择用于与特定风格的游戏相关的多维行为特征。为了避免具有混淆行为的细胞过多,MESB基于进化个体的分布来滑动细胞边界。本文的实验证明了MESB在炉石中的表现。结果表明MESB在所选择的行为维度上找到了不同的游戏方式。对进化策略的进一步分析揭示了在行为维度上重现的常见模式,并且探索MESB可以帮助重新平衡游戏。
translated by 谷歌翻译
游戏测试的过程是主观的,昂贵的和不完整的。在本文中,我们提出了一种游戏测试方法,用于探索游戏空间和游戏代理,并收集数据来回答设计师提出的问题。除了让代理与实际游戏客户端进行交互之外,这种方法将游戏的裸骨机制重新建立为一个单独的系统。 。我们的代理人能够在几分钟内完成有机游戏的测试日数。数千个游戏模拟的分析暴露了游戏中的不平衡,确定了无关紧要的奖励并评估了选择性战略选择的有效性。我们的测试案例游戏The Sims Mobile最近发布,此处显示的调查结果影响了设计变更,从而改善了玩家体验。
translated by 谷歌翻译
卷积神经网络能够从局部特征开始执行分层学习过程。然而,有限的注意力是增强诸如边缘之类的基本级别特征。我们提出并评估了两种基于小波变换的边缘特征增强方法,以便将inputimages预处理到卷积神经网络。第一种方法通过使用小波变换分解输入图像并随后进行有限重建来开发特征增强表示。第二种方法使用小波系数的局部模极大值来开发这种特征增强的网络输入。对于每种方法,我们通过实现每个目的方法开发了一个新的预处理层,并附加到网络架构。我们的实证评估表明,所提出的方法优于基线和以前发表的具有重要收益的工作。
translated by 谷歌翻译
深度网络的优化是目前非常活跃的研究领域。随着神经网络的深入,手动优化网络的能力变得更加困难。已经提出了小批量标准化,有效相应字段的识别,动量更新,残差块的引入,学习采用等,以在保持较高准确度水平的同时加速收敛的手动训练过程的速率。然而,找到针对给定问题的最佳拓扑结构的问题是需要立即解决的具有挑战性的任务。很少有研究人员尝试使用进化计算方法来优化网络结构。其中,很少有人成功地发展了具有强化学习和长期短期记忆的网络。很少有人使用深度卷积神经网络进行应用程序编程。这些尝试主要是演化网络结构,然后优化网络的超参数。然而,仍然缺乏在手动过程中当前实施的技术下发展深度网络结构的机制。将这些技术结合到进化计算的染色体水平中,当然可以将我们带到更好的拓扑结构。本文最后确定了基于深度神经网络和深度神经网络之间的差距。此外,它提出了一些使用进化计算技术优化深度神经网络的见解。
translated by 谷歌翻译
气味识别是化妆品,食品,饮料和医疗诊断等众多行业的重要领域。气味检测可以通过一系列符合电子鼻的气体传感器来完成,其中数据采集模块将传感器信号转换为标准输出以进行分析。为了促进气味检测,需要系统来进行识别。本文介绍了由模糊系统和电子鼻实现的自动气味识别过程的结果。首先,使用五个二氧化锡气体传感器阵列制造电子鼻原型来检测有机化合物蒸汽,使用arduino uno board作为数据收购部分。其次,考虑使用具有模糊系统的智能模块来识别由电子鼻接收的信号。该解决方案提出了一种通过使用个人计算机来识别气味的系统。结果显示可接受的精度。
translated by 谷歌翻译
在双足步态设计文献中,产生稳定的3D步行步态的常见方法之一是将正面和矢状控制器设计为解耦动力学。然而,如果与矢状动力学相比,对解耦前额动力学的研究仍未得到充分研究。在本文中,通过扩展混合零动态框架来处理正面步态设计问题,提出了一种正面动态稳定问题的形式化方法。
translated by 谷歌翻译
动力假肢可有效帮助截肢者在平地上行走,但这些装置在复杂环境中使用起来不方便。 Prostheses需要了解截肢者的动作意图,以帮助他们在复杂的环境中行走。最近,研究人员发现他们可以使用视觉传感器对环境进行分类并预测截肢者的运动意图。以前的研究人员可以在离线分析中准确地对环境进行分类,但是他们忽略了减少相应的时间延迟。为了提高精度,减少环境分类的时间延迟,本文提出了一种新的决策融合方法。我们通过构造隐马尔可夫模型和设计转移概率矩阵来融合环境分类的顺序决策。我们通过邀请受体的受试者和截肢者来评估我们的方法来实施室内和室外实验。实验结果表明,我们的方法可以比以前的方法更准确地分类环境并且延迟时间更短。除了分类环境之外,所提出的决策融合方法还可以优化未来人类运动意图的顺序预测。
translated by 谷歌翻译
由于点云是几何数据的共同类型,并且可以帮助机器人明确地理解环境,因此急需对点云进行学习。然而,点云是稀疏的,非结构化的和无序的,传统的卷积神经网络(CNN)和递归神经网络(RNN)无法准确识别。幸运的是,图形卷积神经网络(Graph CNN)可以处理稀疏和无序数据。因此,本文提出了一种链接动态图CNN(LDGCNN)来直接对云进行分类和分割。我们从动态图中删除转换网络,链接层次特征,冻结特征提取器,并重新分类以提高LDGCNN的性能。我们使用理论分析和可视化来解释我们的网络。通过实验,确定所提出的LDGCNN在两个标准数据集上实现了最先进的性能:ModelNet40和ShapeNet。
translated by 谷歌翻译
它不断的技术演变是当代世界的特征,每天一旦手动,这些过程就变成了计算机化的过程。数据存储在网络空间中,因此,必须增加对这种环境的安全性的关注。网络攻击的代表是世界范围内不断扩大的规模,其特点是本世纪的重大挑战之一。本文旨在提出一种基于智能混合模型的计算系统,该模型通过模糊规则允许在控制论数据攻击中构建专家系统,重点关注SQL Injection攻击。使用模糊神经网络,在政府计算机上使用SQL注入攻击的真实基础进行测试。根据得到的结果,构建基于模糊规则的系统的可行性,在标准偏差范围内的控制论入侵的分类准确性(与解决这类问题的最新模型相比)是真实的。该模型帮助各国准备保护其数据网络和信息系统,并为专家系统创造机会,以自动识别网络空间中的攻击。
translated by 谷歌翻译
人类活动识别(HAR)是许多新兴应用的关键组成部分,例如智能移动,体育分析,环境辅助生活和人机交互。凭借强大的HAR,系统将变得更加人性化,导致更加安全和同情的自治系统。随着人类姿势检测随着深度卷积神经网络(CNN)的出现而取得了重大进展,最先进的研究已经具有独特性。专注于单一感知模式,尤其是视频。然而,在安全的关键应用中,必须利用多种传感器模式来实现稳健运行。为了利用最先进的机器学习技术对HAR的益处,拥有多模态数据集是非常重要的。在本文中,我们提出了一种新颖的,多模式的感知测试,包括9个室内活动,由16个参与者执行,并由四种类型的传感器捕获,这些传感器通常用于印刷应用和自动驾驶车辆。这种多模态数据集是第一种公开可用的数据集,可以用于需要HAR的许多应用,包括体育分析,医疗保健援助和室内智能移动性。我们提出了一种新颖的数据预处理算法,以便从数据集中提取自适应特征,以供不同的机器学习算法使用。通过严格的实验评估,本文回顾了机器学习方法在姿态识别方面的表现,并分析了算法的鲁棒性。当使用来自我们的新数据集的RGB深度数据执行HAR时,机器学习算法(例如深度神经网络)在所有静止和动态活动中的分类达到平均准确度高达96.8%
translated by 谷歌翻译