基于K-means的围棋特征提取方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·计算机博弈 | 第9-10页 |
| ·计算机围棋 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·研究目的 | 第12页 |
| ·研究内容 | 第12页 |
| ·论文结构 | 第12-14页 |
| 第2章 围棋特征提取分析 | 第14-25页 |
| ·计算机围棋常用算法 | 第14-22页 |
| ·博弈树搜索算法 | 第14-17页 |
| ·蒙特卡罗方法 | 第17-18页 |
| ·UCB算法 | 第18-21页 |
| ·增强学习算法 | 第21-22页 |
| ·围棋的定式 | 第22-23页 |
| ·围棋的特征 | 第23-24页 |
| ·围棋特征提取的必要性 | 第24-25页 |
| 第3章 围棋特征提取算法研究 | 第25-41页 |
| ·常用特征学习方法 | 第25-31页 |
| ·卷积神经网络 | 第25-26页 |
| ·稀疏自编码网络 | 第26-28页 |
| ·稀疏编码 | 第28-30页 |
| ·拓扑稀疏编码 | 第30-31页 |
| ·K-means聚类与K-means特征提取 | 第31-35页 |
| ·聚类分析 | 第31页 |
| ·K-means聚类分析算法 | 第31-32页 |
| ·K-means特征提取 | 第32-35页 |
| ·特征提取方法及其在围棋中的应用 | 第35-38页 |
| ·Elo模式评估系统 | 第35-36页 |
| ·贝叶斯模式评估 | 第36页 |
| ·CFG图方法 | 第36-38页 |
| ·图像识别中的特征提取 | 第38页 |
| ·各算法的比较 | 第38-41页 |
| ·基于稀疏性的特征学习方法 | 第39页 |
| ·基于特征的围棋算法 | 第39-40页 |
| ·基于K-means的围棋特征提取方法 | 第40-41页 |
| 第4章 基于K-means的围棋特征提取模型 | 第41-49页 |
| ·模型设计 | 第41-44页 |
| ·设计思想 | 第41-42页 |
| ·模块设计 | 第42页 |
| ·聚类对象 | 第42-43页 |
| ·特征集合的使用 | 第43页 |
| ·特征提取与应用算法流程 | 第43-44页 |
| ·棋盘和棋盘块定义 | 第44-46页 |
| ·K-means在围棋棋块聚类中的应用 | 第46-48页 |
| ·误差的度量 | 第48-49页 |
| 第5章 系统实现 | 第49-56页 |
| ·快速UCB模块 | 第49-52页 |
| ·位运算棋盘 | 第49-50页 |
| ·棋串 | 第50页 |
| ·伪气 | 第50-51页 |
| ·吃子、自杀、劫的判断 | 第51-52页 |
| ·眼、假眼的判断 | 第52页 |
| ·K-means聚类模块与神经网络模块 | 第52-56页 |
| 第6章 实验设计与分析 | 第56-65页 |
| ·实验设计 | 第56页 |
| ·棋谱库的建立 | 第56页 |
| ·参数值选择 | 第56-59页 |
| ·博弈树预剪枝和胜率学习 | 第59-60页 |
| ·与基线算法的比较 | 第60页 |
| ·模式的学习结果 | 第60页 |
| ·K-means预剪枝算法和纯UCB算法胜率比较 | 第60-62页 |
| ·K-means预剪枝算法和纯UCB算法效率比较 | 第62-63页 |
| ·实验结果分析 | 第63-65页 |
| ·K-means聚类数量分析 | 第63-64页 |
| ·K-means预剪枝效果分析 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读学位期间发表的论文与研究成果清单 | 第69-70页 |
| 致谢 | 第70页 |
