基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
提出了一个新的效用聚类激励学习算法U-Clustering.该算法完全不用像U-Tree算法那样进行边缘节点的生成和测试,它首先根据实例链的观测动作值对实例进行聚类,然后对每个聚类进行特征选择,最后再进行特征压缩,经过压缩后的新特征就成为新的状态空间树节点.通过对New York Driving[2,13]的仿真和算法的实验分析,表明U-Clustering算法对解决大型部分可观测环境问题是比较有效的算法.
推荐文章
基于Universum学习的核聚类方法
Universum学习
核聚类
先验知识
基于聚类学习算法的网络入侵检测研究
入侵检测
网络安全
数据挖掘
聚类
无类标数据
基于主动学习策略的半监督聚类算法研究
K-均值算法
主动学习策略
半监督学习
聚类
基于重建系数的子空间聚类融合算法
稀疏表示
低秩表示
子空间聚类
聚类融合
系数重建
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 U-Clustering:基于效用聚类的激励学习算法
来源期刊 计算机工程与应用 学科 工学
关键词 激励学习 效用聚类 部分可观测Markov决策过程
年,卷(期) 2005,(26) 所属期刊栏目 学术探讨
研究方向 页码范围 37-42,74
页数 7页 分类号 TP18
字数 9456字 语种 中文
DOI 10.3321/j.issn:1002-8331.2005.26.011
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 殷苌茗 长沙理工大学计算机与通信工程学院 17 95 6.0 9.0
2 陈焕文 长沙理工大学计算机与通信工程学院 14 56 5.0 6.0
6 谢丽娟 长沙理工大学计算机与通信工程学院 18 50 4.0 6.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (1)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1999(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
激励学习
效用聚类
部分可观测Markov决策过程
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机工程与应用
半月刊
1002-8331
11-2127/TP
大16开
北京619信箱26分箱
82-605
1964
chi
出版文献量(篇)
39068
总下载数(次)
102
总被引数(次)
390217
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导