针对变体飞行器主动变形控制问题，提出了一种基于长短期记忆网络深度确定性策略梯度(Long Short Term Memory-Deep Deterministic Policy Gradient， LSTM-DDPG)算法的智能变形控制方法；以一种串置翼构型的四翼变掠角飞行器为研究对...
详细信息
针对变体飞行器主动变形控制问题，提出了一种基于长短期记忆网络深度确定性策略梯度(Long Short Term Memory-Deep Deterministic Policy Gradient， LSTM-DDPG)算法的智能变形控制方法；以一种串置翼构型的四翼变掠角飞行器为研究对象，利用OPENVSP软件计算其几何模型和气动参数，并建立了飞行器动力学模型；针对四翼变掠角飞行器的加速爬升过程，设计了基于长短期记忆网络的DDPG算法学习框架，并在对称变形条件下，针对纵向轨迹跟踪进行主动变形决策训练。仿真结果表明：应用于主动变形控制过程中的LSTM-DDPG算法可以快速收敛并达到更高的平均奖励，且训练获得的主动变形控制器在四翼变掠角飞行器的轨迹跟踪任务中具有良好的控制效果。
在自然语言处理(Natural Language Processing,NLP)领域,文本分类是一个备受关注的研究方向。其中论文分类作为文本分析领域的重要任务,在信息检索、论文结构分析、文本理解等领域都受到了广泛的应用。然而传统的论文分类方法也面临着...
详细信息
在自然语言处理(Natural Language Processing,NLP)领域,文本分类是一个备受关注的研究方向。其中论文分类作为文本分析领域的重要任务,在信息检索、论文结构分析、文本理解等领域都受到了广泛的应用。然而传统的论文分类方法也面临着一些挑战,例如当下大量的学术论文导致了文本信息过载的问题。此外,学术论文的标题通常较短,包含的信息有限,这使得仅依靠标题对论文进行分类的效果不够理想。
为了更好地应对和解决上述的问题和挑战,本文对论文分类方法进行了有效改进,选择了文本长度更长以及论文信息概括程度更充分的论文摘要来提高论文分类的效果,在对原生FastText模型进行优化的基础之上又分别提出了基于FastText-LSTM以及FastText-BiGRU的论文分类方法。在方法改进的部分,本文详细介绍了模型结构的设计和关键技术的运用,突破了传统文本分类方法在处理长文本和复杂语义时的局限性。在这两种方法中,本文引入了FastText用于词汇表示,并分别结合了长短期记忆(Long Short Term Memory,LSTM)递归神经网络和双向门控循环单元(Bidirectional Gate Recurrent Unit,BiGRU)的结构,增强了文本分类的准确性和泛化能力,相对于传统方法来说提高了分类过程中的性能。更能有效地解决原生FastText上下文敏感性不足导致的难以充分捕捉长距离的依赖关系或处理上下文中的复杂语义与相关性以及在捕捉词义的丰富性方面存在一定的不足的问题。
在本文所提供的数据集上进行的验证实验可以看出,本文所提出的方法在分类效果上明显优于其他对比方法。此外,本文也设计了相关的论文分类系统,用于切实降低论文分类难度以及提高论文分类效率。实现了登录管理、文本分类、数据浏览、历史记录、模型训练、结果导出等模块,具有较好的实用价值。
论文分类技术在信息检索、论文结构分析、文本理解等领域应用中展现出了良好的前景。本文提出的基于FastText-BiGRU的论文分类算法具有良好的学术和实用价值。
暂无评论