摘要:多智能体强化学习在群体控制领域具有广泛应用，然而传统的强化学习方法(如 Q-Learning 或策略梯度)在多智能体 环境中表现不佳。在训练过程中，每个智能体的策略不断变化。当一个智能体基于环境信息做出决策时，其他智能体的决策 可能已经影响了环境信息，导致智能体感知的转移概率分布和奖赏函数发生变化，使得环境变得非平稳，训练无法有效进行。 为了缓解这一问题，研究了一种基于多头自注意力的多智能体强化学习算法。该方法考虑了其他智能体的行动策略，利用多 头自注意力算法使智能体能够学习对决策影响最大的因素，成功地学习了复杂的多智能体协调策略。在实验结果中平均回 报达值到了0.82,远高于传统算法的表现。实验结果表明，所提出的基于多头自注意力的多智能体强化学习算法能够有效解 决环境不平稳导致的多智能体学习困难问题，提高了多智能体强化学习算法的收敛速度和平稳性。

摘要:中性点有效接地供配电系统中电弧接地故障频 发 , 而 已 有 的 故 障 检 测 方 法 在 电 弧 耗 散 功 率 较 小 ,零 休 时 长 较 短 时 存 在不足 ,导致检测准确性偏低 。针对此问题 ,采用故 障 旁 路 零 序 电 流 特 征 进 行 故 障 辨 识 。 首 先 ,探 究 了 电 弧 接 地 故 障 下 故 障 旁路零序电流的形成机理 ,揭示了电弧故障特征向故 障 旁 路 信 号 的 传 递 作 用 。然 后 ,采 用 梯 度 积 及 相 关 系 数 指 标 , 描 述 故 障 旁路零序电流信号特征 ,建立辨识判据 ,实现故障 类 型 判 别 。最 后 ,仿 真 结 果 及 实 验 结 果 验 证 了 所 提 方 法 的 有 效 性 。对 比 分 析表明 ,其相比于已有方法 ,该方法具有较高的识别精度 。特别是在电弧耗散功率小于 2× 103 W、零休特征不明 显 的 故 障 场 景中 ,该方法更具识别优势 。所提方法拓展了电弧故障辨识手段 ,可用于预防电弧故障引发的电气火灾 。

摘要:为了解决遥感卫星影像普遍存在着亮度、对比度低的问题，提出了基于滤波与锐化的遥感图像增强算法。首先，根据线性运算中核矩阵像素权值特性，设计基于中值滤波与高斯滤波的图像滤波算子。然后，采用图像一阶导数逼近技术，计算图像强度梯度，并采用图像二阶导数计算梯度的散度，从而建立基于Sobel与Laplacian的图像锐化增强算子，以增强图像对比度。最后，基于非局部均值算法，完成图像去噪，实现遥感图像平滑增强的目的。实验测试结果表明，与当前遥感图像增强技术相比，本算法拥有更高的增强质量，更好地保留了图像的亮度与色度信息。

摘要:针对当前云网络超宽带存储难以实现流量的分流，且存储过程中存在严重的存储效率低下及存储时延过高等问题，提出了一种基于海量存储云调度机制的云网络数据超带宽存储算法。采用周期调度及梯度优化方式，且综合考虑数据存储中使用强度，最小传输粒度等数字特征，对数据存储过程中的指纹梯度进行优化，且将该梯度引入到数据传输过程中，成功地实现了数据的流量分离，提高了数据存储效率。仿真实验表明，与当前广泛使用的超线性存储调度算法（super linear memory scheduling algorithm，SLMS）相比，本文算法的存储效率更高，能够在流量分离的前提下显著降低存储时延。

摘要:为改善当前无线传感器网络(wireless sensor netuork,WSN)混合信道接入过程中存在的资源调度困难、信道冲突及性能吞吐下降等难题，提出了基于正交数据子流信道接入梯度控制机制的WSN资源规划算法。首先，基于规划梯度的思想，对当前WSN混合信道性能指标进行优化排序，并根据信道占用最小及传输频谱占用率最大原则进行迭代，降低了信道子流的冲突现象发生；随后，根据WSN资源的实际使用情况，当仅当资源占用超过一定限度时方提供额外资源进行服务，从而实现了子流信道接入的合理调度。仿真实验证明，本算法具有更高的服务质量与稳定服务时间，更好地改善了网络通信性能。

摘要:在高分辨率SAR中，方位向运动误差给成像带来的影响越来越大，传统的相位梯度自聚焦(PGA)方法能够估计出运动误差，但其需要多次迭代计算，计算量大，不适合用于实时成像。为了满足高分辨率SAR实时成像的需求，提出了一种改进的组合实时PGA方法。这种方法将改进的频移相关算法(ISAC)算法、 PGA算法与RD成像算法结合运用，不仅使计算量大大减少，而且通过在频移相关算法中加入适量的迭代运算，降低了对运动初始参数的精度要求，取得了较好的成像效果。理论分析和实际数据处理证明了这种方法的有效性。

摘要:提出了一种利用相关梯度特征和AdaBoost 反向传播神经网络的无参考图像质量评价方法。首先利用高斯滤波器得到水平和竖直的方向导数，然后提取相关的梯度特征，其次计算其直方图方差特征，然后训练BP神经网络得到弱分类器并利用AdaBoost算法获得最终的强分类器，最后利用得到的强分类器预测图像质量分数。实验结果表明，方法评价的结果合理、鲁棒性强、实行性好，符合人类视觉特性，并且与主观评分有较好的一致性，取得了很好的评价效果。