为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性

第一节 教育心理学概述 第二节 行为主义心理学的学习理论 第三节 认知心理学的学习理论 第四节 人本主义心理学的学习理论 第五节 社会学习理论 第六节 操作技能的学习心理

第一节 学习心理概述 第二节 学习理论 第三节 学习动机 第四节 学习迁移

针对一类双波动鳍仿生水下机器人的姿态镇定问题,提出一种基于增强学习的自适应PID控制方法.对增强学习自适应PID控制器进行了具体设计,包括PD控制律和基于增强学习的参数自适应方法.基于实际模型参数对偏航角镇定问题进行了仿真试验.结果表明,经过较小次数的学习控制后,仿生水下机器人的偏航角镇定性能得到明显改善,而且能够在短时间内对一般性扰动进行抑制,表现出了较好的适应性

一、学习方式及其基本特征 二、应用信息技术促进学习方式转变 三、基于学习活动的教学设计 四、促进学生学习方式转变案例分析

针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题，通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略，定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型。首先，在p范数约束下，基于各类故障样本自身规模，分别进行了两种自适应的样本权重分配；其次，在每层分类器的优化中，将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合，同时，将样本的权重$ {\\boldsymbol{W}} $

网络环境下的恶意软件严重威胁着工控系统的安全，随着目前恶意软件变种的逐渐增多，给工控系统恶意软件的检测和安全防护带来了巨大的挑战。现有的检测方法存在着自适应检测识别的智能化程度不高等局限性。针对此问题，围绕威胁工控系统网络安全的恶意软件对象，本文通过结合利用强化学习这一高级的机器学习算法，设计了一个检测应用方法框架。在实现过程中，根据恶意软件行为检测的实际需求，充分结合强化学习的序列决策和动态反馈学习等智能特征，详细讨论并设计了其中的特征提取网络、策略网络和分类网络等关键应用模块。基于恶意软件实际测试数据集进行的应用实验验证了本文方法的有效性，可为一般恶意软件行为检测提供一种智能化的决策辅助手段

第1章综合布线系统概述 本章学习目标 本章对综合布线系统进行了简介的介绍。通过本章学习,读者应掌握以下内容: 1.综合布线的含义 2.综合布线的特点 3.综合布线的应用场合 4.综合布线标准的意义 注:本章中,凡是在学习目标前标有“*”的为学习重点,标有“”的为学习难点

1.学会学习 2.培养科学精神和治学态度 内容: 1.树立崇高的学习目的 1.1新型的学习观 1.1.1学习与学习观的含义

本讲座的主要内容和目标是围绕环境、学习、生活和心理4个重要方面，基于对大学和中学在学习生活等方面差异的比较，分析可能面临的各种问题，在此基础上提出一些尽快适应大学学习生活的对策和建议