补充强化学习DQN代码示例与Carla应用

docs/RL.md

@@ -58,3 +58,38 @@
 - 自动驾驶
 - 推荐系统
 - 资源调度
+
+## 代码示例
+
+使用 PyTorch 实现 DQN 网络：
+
+```python
+import torch
+import torch.nn as nn
+
+class DQN(nn.Module):
+    """深度Q网络"""
+    def __init__(self, state_dim, action_dim):
+        super(DQN, self).__init__()
+        self.net = nn.Sequential(
+            nn.Linear(state_dim, 128),
+            nn.ReLU(),
+            nn.Linear(128, 128),
+            nn.ReLU(),
+            nn.Linear(128, action_dim)
+        )
+
+    def forward(self, x):
+        return self.net(x)
+```
+
+## 在 Carla 中的应用
+
+- **车道保持**：以偏离车道线距离作为负奖励
+- **避障**：碰撞时给予大额负奖励，安全行驶给予正奖励
+- **速度控制**：以实际速度与目标速度差值作为奖励信号
+
+## 参考资料
+
+- [PyTorch 强化学习教程](https://pytorch.org/tutorials/intermediate/reinforcement_q_learning.html)
+- [OpenAI Gym 文档](https://gymnasium.farama.org/)

docs/gaussian_mixture.md

@@ -44,3 +44,34 @@
 - 异常检测
 - 图像分割
 - 语音识别
+- 
+## 数学公式
+
+GMM 的概率密度函数为：
+
+`p(x) = Σ π_k * N(x | μ_k, Σ_k)`
+
+其中：
+- K 为高斯成分数量
+- π_k 为第 k 个成分的混合权重，满足 Σπ_k = 1
+- N(x | μ_k, Σ_k) 为第 k 个高斯分布
+
+## 代码示例
+
+使用 scikit-learn 拟合高斯混合模型：
+
+```python
+from sklearn.mixture import GaussianMixture
+import numpy as np
+
+# 生成示例数据
+X = np.random.randn(300, 2)
+
+# 创建并训练模型
+gmm = GaussianMixture(n_components=3, random_state=0)
+gmm.fit(X)
+
+# 预测类别
+labels = gmm.predict(X)
+print("各成分权重:", gmm.weights_)
+```

ignore_users.json

@@ -1,5 +1,8 @@
 [
-    "Haidong Wang",
-    "donghaiwang",
-    "whd@hutb.edu.cn"
-]
+    {
+        "name": "Haidong Wang",
+        "github": "donghaiwang",
+        "email": "whd@hutb.edu.cn",
+        "role": "author"
+    }
+]