【兰德公司报告】通过机器学习获得空中优势—人工智能辅助任务规划的初步探索
Air Dominance Through Machine Learning：A Preliminary Exploration of Artificial Intelligence–Assisted Mission Planning
2021-03-24 22:03:57
13.67MB
1
设计了一种基于深度迁移学习模型,对多种常见的可回收垃圾图像进行识别分类的垃圾图像分类系统.对比了VGG16、InceptionV3、InceptionResnetV2预训练模型的性能,最优识别正确率达到了90%以上,并进一步设计了基于Flask的Web应用调用模型.
2021-03-11 23:32:31
2.47MB
1
动态路由
项目描述：
为了测试动态网络上各种路由算法的性能，我们在网络上创建了一个数据包路由仿真，该仿真在一系列时间步长上进行离散更新。
在整个仿真过程中，随机选择边缘以消失并在每个时间步进行恢复。 另外，在整个情节中，边缘权重以正弦形式波动。 在每个情节的开始，网络上都会生成许多数据包（网络负载），每个数据包都有一个随机的起始节点和目标节点。 每次传送数据包时，都会在一些时间步长后初始化一个新数据包。 一旦生成了一定数量的数据包并在网络上传递，该情节就结束了。 然后计算平均分组传送时间和各种网络拥塞度量。
该模拟要求路由器根据一种路由算法为每个数据包确定路径。 特别是对于这个项目，我们探索通过Dijkstra算法的最短路径，通过Floyd-Warshall算法的最短路径，通过各种奖励函数的Q学习，以及Deep Q Learning。
要求：
网络X
FFmpeg（用于动画制作）
2021-03-08 09:50:58
42KB
1
DRL_Navigation
Udacity深度强化学习课程的第一个项目
## Setup环境此项目是由Anaconda开发的，建议在使用它的同时进行相同的操作。
要创建新的conda环境，请运行以下conda create --name drlnd python = 3.6
出现提示时继续。 Conda应该安装所有必需的软件包。
激活环境：conda activate drlnd
使用以下命令安装正确版本的pytorch：
conda install pytorch=0.4.0 -c pytorch
我们正在使用的环境仅在需要单独下载时才可用。 从下面的链接之一下载环境。 您只需要选择与您的操作系统匹配的环境：
Linux：
Mac OSX：
Windows（32位）：
Windows（64位）：
解压缩刚刚下载的环境，并将其包含的文件夹放置在与此存储库相同的目录中。
2021-03-04 08:54:05
157KB
1
深度强化学习系列论文，包括最基础的DQN，DQN模型改进，DQN算法改进，分层DRL，基于策略梯度的深度强化学习等等，论文基本源自顶会
2021-02-23 10:01:18
69.27MB
1