首页期刊导航|自动化学报
期刊信息/Journal information
自动化学报
中国自动化学会 中国科学院自动化研究所
自动化学报

中国自动化学会 中国科学院自动化研究所

王飞跃

月刊

0254-4156

aas@ia.ac.cn

010-62565763；82614566

100190

北京市海淀区中关村东路95号（北京2728信箱）

自动化学报/Journal Acta Automatica SinicaCSCD北大核心CSTPCDEI
查看更多>>本刊是中国科学院主管，中国自动化学会、中国科学院自动化研究所共同主办的高级学术期刊。本刊主要刊载自动化科学与技术领域的高水平理论性和应用性的科研成果，内容包括：1）自动控制理论；2）系统理论与系统方法；3）自动化技术在国民经济各领域中的创造性应用；4）自动化系统计算机辅助设计；5）机器人与自动化；6）人工智能与智能控制；7）模式识别与图象处理；8）自动控制系统中的新概念、新原理、新方法、新设计；9）信息理论与信息处理技术等。
正式出版
收录年代

    基于优先采样模型的离线强化学习

    顾扬程玉虎王雪松
    143-153页
    查看更多>>摘要：离线强化学习通过减小分布偏移实现了习得策略向行为策略的逼近，但离线经验缓存的数据分布往往会直接影响习得策略的质量。通过优化采样模型来改善强化学习智能体的训练效果，提出两种离线优先采样模型:基于时序差分误差的采样模型和基于鞅的采样模型。基于时序差分误差的采样模型可以使智能体更多地学习值估计不准确的经验数据，通过估计更准确的值函数来应对可能出现的分布外状态。基于鞅的采样模型可以使智能体更多地学习对策略优化有利的正样本，减少负样本对值函数迭代的影响。进一步，将所提离线优先采样模型分别与批约束深度Q学习(Batch-constrained deep Q-learning，BCQ)相结合，提出基于时序差分误差的优先BCQ和基于鞅的优先BCQ。D4RL和Torcs数据集上的实验结果表明:所提离线优先采样模型可以有针对性地选择有利于值函数估计或策略优化的经验数据，获得更高的回报。

    离线强化学习优先采样模型时序差分误差鞅批约束深度Q学习

      原文链接:
    • 万方数据
    • 维普

    基于相对离群因子的标签噪声过滤方法

    侯森寓姜高霞王文剑
    154-168页
    查看更多>>摘要：分类任务中含有类别型标签噪声是传统数据挖掘中的常见问题，目前还缺少针对性方法来专门检测类别型标签噪声。离群点检测技术能用于噪声的识别与过滤，但由于离群点与类别型标签噪声并不具有一致性，使得离群点检测算法无法精确检测分类数据集中的标签噪声。针对这些问题，提出一种基于离群点检测技术、适用于过滤类别型标签噪声的方法——基于相对离群因子(Relative outlier factor，ROF)的集成过滤方法(Label noise ensemble filtering method based on rel-ative outlier factor，EROF)。首先，通过相对离群因子对样本进行噪声概率估计;然后，再迭代联合多种离群点检测算法，实现集成过滤。实验结果表明，该方法在大多数含有标签噪声的数据集上，都能保持优秀的噪声识别能力，并显著提升各种分类模型的泛化能力。

    分类标签噪声离群点检测相对离群因子噪声过滤

      原文链接:
    • 万方数据
    • 维普

    基于PCA和ICA模式融合的非高斯特征检测识别

    葛泉波程惠茹张明川郑瑞娟...
    169-180页
    查看更多>>摘要：针对无人船(Unmanned surface vehicle，USV)航行位姿观测数据的非高斯性/高斯性判别问题，提出一种基于主成分分析(Principal component analysis，PCA)和独立成分分析(Independent component analysis，ICA)模式融合的非高斯特征检测识别方法。首先，采用基于标准化加权平均和信息熵的数据预处理方法。其次，引入混合加权核函数并使用灰狼优化(Grey wolf optimization，GWO)算法进行参数优化，以提高PCA方法的准确性。同时，该算法采用一种新的非线性控制因子策略，提高全局和局部搜索能力。最后，建立了一种基于ICA和PCA联合的相关性分析方法来实现多维数据的降维，在降维数据的基础上综合T型多维偏度峰度检验法和KS(Kolmogorov-Smirnov)检验法进行非高斯性/高斯性特征检测识别。该方法考虑了非线性非高斯的噪声对降维结果精确度的影响，有效降低了多维数据非高斯检测的复杂度，同时也为后续在实际USV位姿估计等应用中提供了保障。实验表明，该方法具有较高的准确性和稳定性，可为USV航行位姿观测数据处理提供支持。

    主成分分析混合核函数灰狼优化算法高维降维非高斯

      原文链接:
    • 万方数据
    • 维普

    基于像素对比学习的图像超分辨率算法

    周登文刘子涵刘玉铠
    181-193页
    查看更多>>摘要：目前，深度卷积神经网络(Convolutional neural network，CNN)已主导了单图像超分辨率(Single image super-resolution，SISR)技术的研究，并取得了很大进展。但是，SISR仍是一个开放性问题，重建的超分辨率(Super-resolution，SR)图像往往会出现模糊、纹理细节丢失和失真等问题。提出一个新的逐像素对比损失，在一个局部区域中，使SR图像的像素尽可能靠近对应的原高分辨率(High-resolution，HR)图像的像素，并远离局部区域中的其他像素，可改进SR图像的保真度和视觉质量。提出一个组合对比损失的渐进残差特征融合网络(Progressive residual feature fusion network，PRFFN)。主要贡献有:1)提出一个通用的基于对比学习的逐像素损失函数，能够改进SR图像的保真度和视觉质量;2)提出一个轻量的多尺度残差通道注意力块(Multi-scale residual channel attention block，MRCAB)，可以更好地提取和利用多尺度特征信息;3)提出一个空间注意力融合块(Spatial attention fuse block，SAFB)，可以更好地利用邻近空间特征的相关性。实验结果表明，PRFFN显著优于其他代表性方法。

    图像超分辨率卷积神经网络对比学习注意力机制

      原文链接:
    • 万方数据
    • 维普

    高速动车组数据驱动无模型自适应积分滑模预测控制

    李中奇周靓杨辉
    194-210页
    查看更多>>摘要：同许多复杂系统一样，动车组(Electric multiple unit，EMU)运行过程也具有多变量、强耦合以及非线性等特性，这严重影响着列控系统的性能。针对包含外部扰动的动车组自动驾驶系统，提出一种新型的多输入多输出(Multi-input-multi-output，MIMO)数据驱动积分滑模预测控制(Integral sliding mode predictive control，ISMPC)算法。首先，该算法基于与动车组运行过程等效的全格式动态线性化(Full format dynamic linearization，FFDL)数据模型，设计一种离散积分滑模控制(Integral sliding mode control，ISMC)律。为了使系统能够获得更高的输出跟踪误差精度，利用模型预测控制(Model predictive control，MPC)代替ISMC的切换控制，进一步推导出ISMPC算法。同时，通过对FFDL数据模型的未知扰动、参数误差等不确定项进行延时估计，提升了算法的控制性能和对系统的等价描述程度。在提供两种算法的稳定性证明分析之后，以实验室配备的CRH380A型动车组仿真实验台对提出的ISMC和ISMPC算法进行仿真测试，并与其他方法进行对比，仿真结果表明ISMPC算法控制性能较好，动车组各动力单元速度跟踪误差均在±0。132 km/h以内，满足列车的跟踪精度需求;控制力和加速度分别在[-52 kN，42 kN]和±0。9249 m/s2以内且变化平稳。

    列车自动驾驶数据驱动控制速度跟踪积分滑模控制模型预测控制全格式数据模型

      原文链接:
    • 万方数据
    • 维普