固定样地调查通过长期数据的积累和精准的时空对比获取生态系统动态特征,为长期的生态系统研究提供了坚实的基础。洞庭湖湿地生态系统观测研究站按中国生态系统研究网络(Chinese Ecosystem Research Network,CERN)统一的监测规范,对洞...固定样地调查通过长期数据的积累和精准的时空对比获取生态系统动态特征,为长期的生态系统研究提供了坚实的基础。洞庭湖湿地生态系统观测研究站按中国生态系统研究网络(Chinese Ecosystem Research Network,CERN)统一的监测规范,对洞庭湖水文情势变化下,湿地生态系统中典型洲滩植被的物种组成和群落特征等指标进行长期定位监测。通过东洞庭湖三种典型湿地植物群落(苔草,南荻和水蓼)长期监测样地的数据进行加工处理,获得2011-2015年洞庭湖洲滩植物群落长期监测数据集。本数据集包含有植物种名、拉丁名、株(丛)数(株或丛/样方)、叶层平均高度(cm)、生殖枝平均高度(cm)、盖度(%)、物候期、优势种、植物种数、密度(株或丛/m~2)、优势种叶层高度(cm)、优势种生殖枝高度(cm)、总盖度(%)、地上绿色部分总干重(g/m~2),共14个指标,同时附有完整的背景信息。本数据集实行全过程数据质量控制,并由专家审核验证,确保数据时空上的相对一致和准确可靠。本数据集可以为探究洞庭湖水文情势下,洲滩湿地生态系统过程和演替趋势提供本底资料,为洞庭湖植被的遥感监测、生物多样性保护和湿地生态修复及适应性管理等提供数据支撑。展开更多
为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新...为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新Q表;最后,将训练好的Q表用于飞行器的控制。仿真结果表明,相对于传统的线性自抗扰控制(linear active disturbance rejection control,LADRC)和滑模控制,基于Q学习的LADRC省去了人工调试参数的繁琐过程,且仍具有良好的跟踪效果。蒙特卡罗仿真测试结果验证了基于Q学习的LADRC的鲁棒性。展开更多
文摘固定样地调查通过长期数据的积累和精准的时空对比获取生态系统动态特征,为长期的生态系统研究提供了坚实的基础。洞庭湖湿地生态系统观测研究站按中国生态系统研究网络(Chinese Ecosystem Research Network,CERN)统一的监测规范,对洞庭湖水文情势变化下,湿地生态系统中典型洲滩植被的物种组成和群落特征等指标进行长期定位监测。通过东洞庭湖三种典型湿地植物群落(苔草,南荻和水蓼)长期监测样地的数据进行加工处理,获得2011-2015年洞庭湖洲滩植物群落长期监测数据集。本数据集包含有植物种名、拉丁名、株(丛)数(株或丛/样方)、叶层平均高度(cm)、生殖枝平均高度(cm)、盖度(%)、物候期、优势种、植物种数、密度(株或丛/m~2)、优势种叶层高度(cm)、优势种生殖枝高度(cm)、总盖度(%)、地上绿色部分总干重(g/m~2),共14个指标,同时附有完整的背景信息。本数据集实行全过程数据质量控制,并由专家审核验证,确保数据时空上的相对一致和准确可靠。本数据集可以为探究洞庭湖水文情势下,洲滩湿地生态系统过程和演替趋势提供本底资料,为洞庭湖植被的遥感监测、生物多样性保护和湿地生态修复及适应性管理等提供数据支撑。
文摘为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新Q表;最后,将训练好的Q表用于飞行器的控制。仿真结果表明,相对于传统的线性自抗扰控制(linear active disturbance rejection control,LADRC)和滑模控制,基于Q学习的LADRC省去了人工调试参数的繁琐过程,且仍具有良好的跟踪效果。蒙特卡罗仿真测试结果验证了基于Q学习的LADRC的鲁棒性。