本文提出了一种分布式决策方法，用于制造任务分配和基于条件的机器健康维护，并基于马尔可夫决策过程设计决策代理，以处理决策过程中涉及的不确定性。通过数值案例研究，证明该方法具有灵活性和实用性，并可以用人工智能学习成本参数。

Jan, 2024

本文提出了一种基于模型的强化学习的方法，即协同适应 MDPs 模型，可用于人机界面和康复系统中，可以提高用户（患者）和机器（机器人助手）的表现效果，并强调了用户与机器之间的协同适应过程。

May, 2023

评估了基于人工智能决策支持系统与改进的人机界面的影响和应用，利用动态影响图、隐藏马尔可夫模型和深度强化学习，在复杂工业和化学过程控制室中减轻操作员负担、提高情景感知以及提供不同干预策略的功能。

Feb, 2024

本文提出了一个决策控制框架，将基于规则的技术和基于机器学习的技术结合起来，解决了安全性和多重要求的问题，在自动驾驶中得到了应用。

Jan, 2022

本文提出了一种基于概率模型检查的学徒式学习算法，可确保在仍能保持性能的情况下实现安全性，将未知奖励函数视为状态特征的线性组合，并以概率计算树逻辑为基础的安全属性规范。

Oct, 2017

本文介绍了一种鲁棒的任意学习方法，该方法结合了贝叶斯推断模型和计算稳健策略的方法，以不确定性马尔科夫决策过程（uMDPs）为基础，并通过实验验证了该方法的有效性。

May, 2022

在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

Jan, 2024

本文提出了一种新的框架 Configurable Markov Decision Processes (Conf-MDPs)，以建立环境参数配置与学习代理之间的交互模型，并通过 Safe Policy-Model Iteration (SPMI) 算法，共同自适应优化策略与环境配置，实验结果表明该方法对提高学习策略的性能有益。

Jun, 2018

提出了一种基于交互式支持系统，结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识，并实现用户反馈与决策透明解释，减轻人类负担且尊重其专业性和主观能动性的方法，以及用于工业质量控制中的良品检测任务的模式分类算法。

Mar, 2022

本研究旨在描述一种自动化网络攻击防御的方法，通过将被保护系统的模拟与任意在线规划应用于部分观测的马尔科夫决策问题（POMDPs），并结合基于模型的人工智能，以实现风险防范与效益平衡。

Feb, 2020