txt = text(1,-0.5,9,'Normalized plane strain','FontSize',10,'FontName','Times New Roman'); set(txt, 'BackgroundColor', 'white', 'EdgeColor', 'black', 'LineWidth', 1); 去掉标签的黑色外框

时间: 2023-08-06 21:23:57 浏览: 73
PPTX

k-mean学习

您可以尝试将 `LineWidth` 参数的值设置为 0，或者将 `EdgeColor` 参数的值设置为 `'none'`，来去掉标签的黑色外框，例如： ```matlab txt = text(1,-0.5,9,'Normalized plane strain','FontSize',10,'FontName','Times New Roman'); set(txt, 'BackgroundColor', 'white', 'EdgeColor', 'none', 'LineWidth', 0); ``` 这样可以使标签没有黑色的外框。
阅读全文

相关推荐

-

TF1.x强化学习算法实现：TD3、SAC、IQN、Rainbow、PPO、Ape-X

资源摘要信息:"该资源主要介绍了在TensorFlow 1.x版本中实现的一系列无模型强化学习算法，包括但不限于TD3（双延迟深度确定性策略梯度）、SAC（软性行动者-评论家）、IQN（隐式Q网络）、Rainbow（DQN的改进版本）、...
-

图像分割初学者指南：Normalized Cut算法源码剖析

资源摘要信息:"NcutImage.rar_Normalized_graph cut_image segmentation_normalized" 知识点详细说明： 1. 图像分割 (Image Segmentation) 图像分割是计算机视觉和图像处理领域的一个重要任务，它旨在将图像分割成...
zip

k-means、mean-shift 和 normalized-cut 分割：k-means、mean-shift 和 normalized-cut 分割-matlab开发

此代码实现了“k-means”、“mean-shift”和“normalized-cut”分割之间的比较测试方法是： 仅使用（颜色）的 Kmeans 分割Kmeans 分割使用（颜色 + 空间） 仅使用（颜色）的均值偏移分割使用（颜色+空间）的均值偏移...
.zip

前端开源库-draw-image-normalized

"draw-image-normalized"就是一个这样的开源库，专为在Canvas上绘制图像时进行标准化处理而设计。这个库的独特之处在于它允许使用负值或超出界限的参数，解决了常规canvas2d API限制的问题。 首先，我们需要理解...
py

Calculate-the-normalized-maximum-value.py

Calculate-the-normalized-maximum-value.py
pdf

ExtremeLearningMachine资源共享-Image-registration-by-normalized-mapping_2013_Neurocomputing.pdf

ExtremeLearningMachine资源共享-Image-registration-by-normalized-mapping_2013_Neurocomputing.pdf 小弟准备学习ELM，才收集到一些相关资料，发现论坛中并无相关资料，因此把自己手头上收集到的共享给大家，...
zip

计算相似度的matlab代码-Calculating-normalized-google-distance-using-matlab:从这里获

计算相似度的matlab代码计算归一化的谷歌距离使用matlab 从这里获取代码： 从这里观看代码： 此代码使用matlab可以非常精确地计算“归一化的Google距离”。 标准化Google距离是一种语义相似性度量，它是由Google搜索...
zip

Normalized_cuts:MI-ROZ，Normalized_cuts。 作者

Normalized_cuts作者： 克拉科拉， 莱哈尔周六。问题定义： 图像分割问题涉及根据某种同质性标准将图像划分为多个区域。 基于对象分类的图像分割可以看作是光谱聚类分析应用于图像分割的一个特例。主观观点（sabatom...

对 data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]进行归一化处理，并打印结果。

data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] 然后，创建 MinMaxScaler 对象并应用它到数据上： python scaler = MinMaxScaler() normalized_data = scaler.fit_transform(data) 最后，我们将...

解释以下代码：cm=confusionchart(YTrue,YPred); cm.Title="分类混淆矩阵"; cm.ColumnSummary='column-normalized'; cm.RowSummary='row-normalized';

接着，cm.ColumnSummary='column-normalized' 设置混淆矩阵对象的列归一化。这意味着每列的值将被除以该列的总和，以显示每个预测类别在真实类别中的比例。 最后，cm.RowSummary='row-normalized' 设置混淆矩阵...

import pandas as pd import numpy as np # 读取数据 data = pd.read_excel('数据.xlsx') # 提取指标列 indicators = data.iloc[1:50:2, 2:].values indicators=pd.DataFrame(indicators) print(indicators) # 数据归一化 normalized_data = (indicators - indicators.min(axis=0)) / (indicators.max(axis=0) - indicators.min(axis=0)) print(normalized_data) # 灰色关联度计算函数 def grey_correlation(x, y): """ 计算两列数据的灰色关联度 :param x: 第一列数据 :param y: 第二列数据 :return: 灰色关联度 """ n = len(x) lambda_value = 0.5 # 灰色关联度衡量因子，默认取0.5 # 累加生成级比累加矩阵 c = np.abs(x - y) c_max, c_min = np.max(c), np.min(c) rho = (c_min + lambda_value * c_max) / (c + lambda_value * c_max) r = np.sum(rho) / n return r # 计算各指标之间的灰色关联度 corr_matrix = np.zeros((len(normalized_data[0]), len(normalized_data[0]))) for i in range(len(normalized_data[0])): for j in range(len(normalized_data[0])): corr_matrix[i, 1] = grey_correlation(normalized_data[:, i], normalized_data[:, j]) # 输出灰色关联度矩阵 print(corr_matrix)

lambda_value = 0.5 # 灰色关联度衡量因子，默认取0.5 # 累加生成级比累加矩阵 c = np.abs(x - y) c_max, c_min = np.max(c), np.min(c) rho = (c_min + lambda_value * c_max) / (c + lambda_value * c_max) ...

Apply the power method to find the highest eigenvalue for the inverse of Matrix A = [2 -3 1; -2 5 -2; 3 -2 -5] in Matlab. Set the stopping criterion as 1% (Estimated Eigenvector need to be normalized). Estimated Eigenvector (normalized) and Estimated High

% Set the stopping criterion as 1% tolerance = 0.01; % Initialize the estimated eigenvector x = [1; 1; 1]; % Iterate until convergence while true % Calculate the next estimate of the eigenvector x...

wp=0.3*pi; % 通带边界频率 ws=0.5*pi; % 阻带边界频率 Rp=1; % 通带最大衰减量（dB） Rs=50; % 阻带最小衰减量（dB） wc=(wp+ws)/2; w0=ws-wp; N=(50-8)/(2.285*0.2*pi); b=0.1102*(50-8.7);Matlab

xlabel('Normalized Frequency (\times\pi rad/sample)'); ylabel('Magnitude'); subplot(3, 1, 2); plot(W/pi, phase); title('Phase Response'); xlabel('Normalized Frequency (\times\pi rad/sample)'); ylabel...

解释一下void Jump() { if (playerPosture == PlayerPosture.Stand && isJumping) { VerticalVelocity = Mathf.Sqrt(-2 * gravity * maxHeight); feetTween = Mathf.Repeat(animator.GetCurrentAnimatorStateInfo(0).normalizedTime, 1f); feetTween = feetTween < 0.5f ? 1 : -1; if (locomotionState == LocomotionState.Run) { feetTween *= 3; } else if (locomotionState == LocomotionState.Walk) { feetTween *= 2; } else { feetTween = Random.Range(0.5f, 1f) * feetTween; } } }

这是一个Unity游戏中的跳跃函数，其中包含以下内容： 1. 判断玩家是否处于站立状态并正在跳跃，如果...否则，随机生成一个0.5到1之间的值，再乘以原先的Tween值。 4. 最后，将计算出的Tween值存储在feetTween变量中。

K = range(1, 18) meanDispersions = [] for k in K: kemans = KMeans(n_clusters=k, init='k-means++') kemans.fit(df_normalized_data) # 计算平均离差 m_Disp = sum(np.min(cdist(df_normalized_data, kemans.cluster_centers_, 'euclidean'), axis=1)) / df_normalized_data.shape[0] meanDispersions.append(m_Disp) plt.rcParams['font.family'] = ['sans-serif'] plt.rcParams['font.sans-serif'] = ['SimHei'] # 使折线图显示中文 plt.plot(K, meanDispersions, 'bx-') plt.xlabel('k') plt.ylabel('平均离差') plt.title('') plt.show()

1. 你已经导入了所需的库，如numpy、matplotlib.pyplot和sklearn.cluster.KMeans。 2. 数据集df_normalized_data已经准备好，并且进行了归一化处理。 如果这些条件满足，你可以运行这段代码来绘制折线图。...

class LayerNorm(nn.Module): def __init__(self, normalized_shape, eps=1e-6, data_format="channels_last"): super(LayerNorm, self).__init__() self.weight = nn.Parameter(torch.ones(normalized_shape), requires_grad=True) self.bias = nn.Parameter(torch.zeros(normalized_shape), requires_grad=True) self.eps = eps self.data_format = data_format if self.data_format not in ['channels_last', 'channels_first']: raise ValueError(f"not support data format'{self.data_format}'") self.normalized_shape = (normalized_shape,) def forward(self, x: torch.Tensor) -> torch.Tensor: if self.data_format == 'channels_last': return F.layer_norm(x, self.normalized_shape, self.weight, self.bias, self.eps) elif self.data_format == 'channels_first': # [B,C,H,W] mean = x.mean(1, keepdim=True) var = (x - mean).pow(2).mean(1, keepdim=True) x = (x - mean) / torch.sqrt(var + self.eps) x = self.weight[:, None, None] * x + self.bias[:, None, None] return x

在初始化方法中，normalized_shape参数指定了归一化的维度大小，eps参数用于防止除零错误，data_format参数用于指定输入数据的格式（'channels_last'或'channels_first'）。 前向传播方法中，根据输入数据的格式...

解释以下以下代码并注释void Jump() { if (playerPosture == PlayerPosture.Stand && isJumping) { VerticalVelocity = Mathf.Sqrt(-2 * gravity * maxHeight);//垂直速度 feetTween = Mathf.Repeat(animator.GetCurrentAnimatorStateInfo(0).normalizedTime, 1f); feetTween = feetTween < 0.5f ? 1 : -1; if (locomotionState == LocomotionState.Run) { feetTween *= 3;//跑步时的双脚状态 } else if (locomotionState == LocomotionState.Walk) { feetTween *= 2;//走路时双脚状态 } else { feetTween = Random.Range(0.5f, 1f) * feetTween; } } }

这段代码定义了一个名为 Jump 的函数，函数中实现了角色...如果角色不是在跑步或走路，那么 feetTween 的值会在 0.5 和 1 之间随机。 4. Jump 函数没有返回值，它的作用是更新角色状态，以便后续的角色移动和动画播放。

function Draw_data_on_World(LON, LAT, data, MyTitle) if nargin < 4 MyTitle = 0; end MAGname = strsplit(MyTitle, '_'); Cb_title = ''; for ii = 1:size(MAGname,2) Cb_title = [Cb_title,MAGname{ii}]; if ii < size(MAGname,2) Cb_title = [Cb_title,'\_']; end end figure; set(gcf, 'unit', 'normalized', 'position', [0,0,1,1]); % 全屏 hold on m_proj('robinson','long',[-180 180],'lat',[-90 90]); m_pcolor(LON, LAT, data) m_coast('linewidth',2,'color','w') m_grid('box','fancy','linestyle','-','gridcolor','w','backcolor',[.2 .65 1],... 'Fontsize',12, 'Fontname', 'Times'); % 边框属性 cb = colorbar('horiz'); if MyTitle ~= 0 ylabel(cb,[Cb_title,' (nT)'],'FontSize',14,'FontName','Times'); end set(cb,'YTick',get(cb,'YTick'),'FontSize',14,'FontName','Times') cb.TickLength = 0; cb.Position = [cb.Position(1)+0.18,cb.Position(2)-0.065,cb.Position(3)*0.54,cb.Position(4)]; end

这是一个名为Draw_data_on_World的函数的代码实现。 该函数的输入参数包括LON和LAT，它们是表示世界地图上坐标点位置的网格。data是要在地图上绘制的数据，MyTitle是绘图的标题。 函数中首先判断输入参数的个数，...

function GUI6() %% 搭框架 Fig = figure('Position',[800,100,800,900],'menu','none'); Fig.Color = 'white'; Fig.NumberTitle = 'off'; Fig.Name = 'GUI6'; % 面板 Pnl1 = uipanel(Fig,'Position',[0.05,0.2,0.9,0.75]); Pnl2 = uipanel(Fig,'Position',[0.05,0.05,0.9,0.1]); % 绘图窗 Axes = axes(Pnl1,'Position',[0.1,0.1,0.9,0.9]); Lbx = uicontrol(Pnl1,'style','slider',... 'String',[],'Fontsize',12,... 'Unit','normalized','Position',[0.1,0,0.9,0.05],... 'Max',1,'Min',-1,... 'Callback',@Move); Lby = uicontrol(Pnl1,'style','slider',... 'String',[],'Fontsize',12,... 'Unit','normalized','Position',[0,0.1,0.05,0.9],... 'Max',1,'Min',-1,... 'Callback',@Move); % 操作窗 uicontrol(Pnl2,'style','pushbutton',... 'String','红方用力','Fontsize',16,'BackgroundColor',[1,0.5,0.5],... 'Unit','normalized','Position',[0,0,0.2,1],... 'Callback',@Pull1); uicontrol(Pnl2,'style','pushbutton',... 'String','蓝方用力','Fontsize',16,'BackgroundColor',[0.5,0.5,1],... 'Unit','normalized','Position',[0.8,0,0.2,1],... 'Callback',@Pull2); Lb = uicontrol(Pnl2,'style','slider',... 'String',[],'Fontsize',12,... 'Unit','normalized','Position',[0.2,0.,0.6,1],... 'Max',1,'Min',-1); %% 初始化 % 初始化目标 plot(-1,0,'ro','MarkerSize',30,'Parent',Axes),hold on plot(1,0,'bo','MarkerSize',30,'Parent',Axes) plot([-1,1],[0,0],'k-') obj = plot(0,0,'k.','MarkerSize',30,'Parent',Axes); % 初始化坐标轴 range = [-1.2,1.2,-1,1]; axis(Axes,range) grid on %% 开始操作吧 while true dis = randi([-3,3])/50; obj.XData = min(max(obj.XData+dis,-1),1); set(Lb,'Value',obj.XData) % 你慢一点 pause(0.1) drawnow % 你们别打啦 if abs(obj.XData)==1 break end end %% 子函数 function Move(~,~) xids = get(Lbx,'Value'); yids = get(Lby,'Value'); change = [xids,xids,yids,yids]; axis(Axes,range+change) end function Pull1(~,~) obj.XData = max(obj.XData-0.2,-1); set(Lb,'Value',obj.XData); end function Pull2(~,~) obj.XData = min(obj.XData+0.2,1); set(Lb,'Value',obj.XData); end end

1. 创建一个MATLAB图形界面窗口，设置其位置、背景色、标题等属性。 2. 创建两个面板：一个用于绘图，一个用于操作。在绘图面板上创建一个绘图窗口和两个滑块用于控制小球在x和y方向上的位移。在操作面板上创建两个...

最新推荐

recommend-type

python 实现对数据集的归一化的方法(0-1之间)

这样处理的原因在于，原始数据可能存在很大范围的差异，例如某些特征可能在1到100之间，而其他特征可能只在-1和1之间。这种差异可能导致模型训练过程中对某些特征的重视程度过高，而忽视了其他特征。通过归一化，...
recommend-type

精细金属掩模板(FMM)行业研究报告 显示技术核心部件FMM材料产业分析与市场应用

精细金属掩模板（FMM）作为OLED蒸镀工艺中的核心消耗部件，负责沉积RGB有机物质形成像素。材料由Frame、Cover等五部分组成，需满足特定热膨胀性能。制作工艺包括蚀刻、电铸等，影响FMM性能。适用于显示技术研究人员、产业分析师，旨在提供FMM材料技术发展、市场规模及产业链结构的深入解析。
recommend-type

【创新未发表】斑马算法ZOA-Kmean-Transformer-LSTM负荷预测Matlab源码 9515期.zip

CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2024b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法优化Kmean-Transformer-LSTM负荷预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO优化Kmean-Transformer-LSTM负荷预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA优化Kmean-Transformer-LSTM负荷预测 4.4.3 灰狼算法GWO/狼群算法WPA优化Kmean-Transformer-LSTM负荷预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA优化Kmean-Transformer-LSTM负荷预测 4.4.5 萤火虫算法FA/差分算法DE优化Kmean-Transformer-LSTM负荷预测 4.4.6 其他优化算法优化Kmean-Transformer-LSTM负荷预测
recommend-type

j link 修复问题套件

j link 修复问题套件
recommend-type

Angular实现MarcHayek简历展示应用教程

资源摘要信息:"MarcHayek-CV:我的简历的Angular应用" Angular 应用是一个基于Angular框架开发的前端应用程序。Angular是一个由谷歌（Google）维护和开发的开源前端框架，它使用TypeScript作为主要编程语言，并且是单页面应用程序（SPA）的优秀解决方案。该应用不仅展示了Marc Hayek的个人简历，而且还介绍了如何在本地环境中设置和配置该Angular项目。 知识点详细说明： 1. Angular 应用程序设置： - Angular 应用程序通常依赖于Node.js运行环境，因此首先需要全局安装Node.js包管理器npm。 - 在本案例中，通过npm安装了两个开发工具：bower和gulp。bower是一个前端包管理器，用于管理项目依赖，而gulp则是一个自动化构建工具，用于处理如压缩、编译、单元测试等任务。 2. 本地环境安装步骤： - 安装命令`npm install -g bower`和`npm install --global gulp`用来全局安装这两个工具。 - 使用git命令克隆远程仓库到本地服务器。支持使用SSH方式（`***:marc-hayek/MarcHayek-CV.git`）和HTTPS方式（需要替换为具体用户名，如`git clone ***`）。 3. 配置流程： - 在server文件夹中的config.json文件里，需要添加用户的电子邮件和密码，以便该应用能够通过内置的联系功能发送信息给Marc Hayek。 - 如果想要在本地服务器上运行该应用程序，则需要根据不同的环境配置（开发环境或生产环境）修改config.json文件中的“baseURL”选项。具体而言，开发环境下通常设置为“../build”，生产环境下设置为“../bin”。 4. 使用的技术栈： - JavaScript：虽然没有直接提到，但是由于Angular框架主要是用JavaScript来编写的，因此这是必须理解的核心技术之一。 - TypeScript：Angular使用TypeScript作为开发语言，它是JavaScript的一个超集，添加了静态类型检查等功能。 - Node.js和npm：用于运行JavaScript代码以及管理JavaScript项目的依赖。 - Git：版本控制系统，用于代码的版本管理及协作开发。 5. 关于项目结构： - 该应用的项目文件夹结构可能遵循Angular CLI的典型结构，包含了如下目录：app（存放应用组件）、assets（存放静态资源如图片、样式表等）、environments（存放环境配置文件）、server（存放服务器配置文件如上文的config.json）等。 6. 开发和构建流程： - 开发时，可能会使用Angular CLI来快速生成组件、服务等，并利用热重载等特性进行实时开发。 - 构建应用时，通过gulp等构建工具可以进行代码压缩、ES6转译、单元测试等自动化任务，以确保代码的质量和性能优化。 7. 部署： - 项目最终需要部署到服务器上，配置文件中的“baseURL”选项指明了服务器上的资源基础路径。 8. 关于Git仓库： - 压缩包子文件的名称为MarcHayek-CV-master，表明这是一个使用Git版本控制的仓库，且存在一个名为master的分支，这通常是项目的主分支。 以上知识点围绕Angular应用“MarcHayek-CV:我的简历”的创建、配置、开发、构建及部署流程进行了详细说明，涉及了前端开发中常见的工具、技术及工作流。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

深入剖析：内存溢出背后的原因、预防及应急策略（专家版）

![深入剖析：内存溢出背后的原因、预防及应急策略（专家版）](https://d8it4huxumps7.cloudfront.net/uploads/images/65e82a01a4196_dangling_pointer_in_c_2.jpg?d=2000x2000) 参考资源链接：[Net 内存溢出（System.OutOfMemoryException）的常见情况和处理方式总结](https://wenku.csdn.net/doc/6412b784be7fbd1778d4a95f?spm=1055.2635.3001.10343) # 1. 内存溢出的概念及影响 内存溢出，又称
recommend-type

Java中如何对年月日时分秒的日期字符串作如下处理：如何日期分钟介于两个相连的半点之间，就将分钟数调整为前半点

在Java中，你可以使用`java.time`包中的类来处理日期和时间，包括格式化和调整。下面是一个示例，展示了如何根据给定的日期字符串（假设格式为"yyyy-MM-dd HH:mm:ss"）进行这样的处理： ```java import java.text.SimpleDateFormat; import java.time.LocalDateTime; import java.time.ZoneId; import java.time.ZonedDateTime; public class Main { public static void main(String[] args
recommend-type

Crossbow Spot最新更新 - 获取Chrome扩展新闻

资源摘要信息:"Crossbow Spot - Latest News Update-crx插件" 该信息是关于一款特定的Google Chrome浏览器扩展程序，名为"Crossbow Spot - Latest News Update"。此插件的目的是帮助用户第一时间获取最新的Crossbow Spot相关信息，它作为一个RSS阅读器，自动聚合并展示Crossbow Spot的最新新闻内容。 从描述中可以提取以下关键知识点： 1. 功能概述： - 扩展程序能让用户领先一步了解Crossbow Spot的最新消息，提供实时更新。 - 它支持自动更新功能，用户不必手动点击即可刷新获取最新资讯。 - 用户界面设计灵活，具有美观的新闻小部件，使得信息的展现既实用又吸引人。 2. 用户体验： - 桌面通知功能，通过Chrome的新通知中心托盘进行实时推送，确保用户不会错过任何重要新闻。 - 提供一个便捷的方式来保持与Crossbow Spot最新动态的同步。 3. 语言支持： - 该插件目前仅支持英语，但开发者已经计划在未来的版本中添加对其他语言的支持。 4. 技术实现： - 此扩展程序是基于RSS Feed实现的，即从Crossbow Spot的RSS源中提取最新新闻。 - 扩展程序利用了Chrome的通知API，以及RSS Feed处理机制来实现新闻的即时推送和展示。 5. 版权与免责声明： - 所有的新闻内容都是通过RSS Feed聚合而来，扩展程序本身不提供原创内容。 - 用户在使用插件时应遵守相关的版权和隐私政策。 6. 安装与使用： - 用户需要从Chrome网上应用店下载.crx格式的插件文件，即Crossbow_Spot_-_Latest_News_Update.crx。 - 安装后，插件会自动运行，并且用户可以对其进行配置以满足个人偏好。 从以上信息可以看出，该扩展程序为那些对Crossbow Spot感兴趣或需要密切跟进其更新的用户提供了一个便捷的解决方案，通过集成RSS源和Chrome通知机制，使得信息获取变得更加高效和及时。这对于需要实时更新信息的用户而言，具有一定的实用价值。同时，插件的未来发展计划中包括了多语言支持，这将使得更多的用户能够使用并从中受益。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依