Intelligent Science Home   设为首页  |   收藏本站 |   English Version  
 
智能科学课题组
- 史忠植
何清
胡宏
安波
- 成员
智能系统
人工智能
  - 心智模型
搜索智能科学网

智能科学网站
 

智能技术

      智能技术是为了有效地达到某种预期的目的,利用知识所采用的各种方法和手段。目前具有重要应用价值的智能技术列举如下:

一、主体(agent, 代理, 智能体)

      本方向要针对我国软件产业发展的需要,从建立分布式智能和分布式应用系统集成 的目标出发,在理论创新的基础上,发展公共主体请求代理体系机制CARBA,研究 面向主体软件工程方法,开发具有自主版权的目标产品"多主体环境 MAGE"。 主要研究内容包括:

  • 理性主体的认知模型和多主体的协调策略;
  • 面向主体的软件工程方法;
  • 主体网格;
  • 主体技术实用化研究方面。
    该方向主要应用领域包括:电子商务,数字图书馆,移动计算,群体智能决策支持系统,以及CSCW。

  • 二、机器学习与数据挖掘

          主要研究内容包括:

  • 学习算法: 归纳学习、范例学习、贝叶斯网路、粗糙集、模糊集、支持向量机、强化学习、关联规则、遗传算法、解释学习
  • 开展感知学习、主动学习和内省学习等研究;
  • 通用数据挖掘工具,如SAS, SPSS, MSMiner。

          BBN技术公司已获美国国防高级研究计划局(DARPA)550万美元投资,开展综合学习项目(Integrated Learning Program)第一阶段工作。未来4年里,BBN将开发一种称为“综合学习器(Integrated Learner)”的人工智能(AI)能力,该装置在被展示了一个简单例子后能学习计划或过程。如果所有4年的研制项目全部完成,公司获得的总合同价值将可达到2400万美元。
          该项目的目标是将专业领域知识和常识综合创造出一个推理系统,该系统能像人一样学习并可用于多种复杂任务。这样一种系统将显著扩展计算机能学习的任务类型。

  • 三、语义网格和知识网格(Semantic grid and knowledge grid)

          语义网格和知识网格是在异构的、动态的虚拟组织环境下,提供有效的知识服务和共享, 协作解决用户需要解决的问题,满足用户的需求。 主要研究内容包括:

  • 知识模型。知识模型将描述系统的知识和推理需求,包括领域知识、推理知识和任务知识。
  • 通信模型。通信模型将描述系统之间或系统与用户之间的需求和接口。
  • 知识获取。研究适合高维、海量、异构、不完全、半结构化数据挖掘的有效方法和算法。
  • 知识组织。研究通过概念语义空间进行知识组织,以期获得快速检索和高的查准率。
  • 语义Web服务。利用语义Web技术改善Web服务,实现服务自动发现和组合。
  • 统一逻辑。实现本体描述、服务匹配。
  • 服务管理。面向用户服务的模式和协议。

  • 四、自主计算(autonomic computing)

          IT系统拥有自我调节能力而无需人为的过多干预, 这就是自主计算的思想——将复杂性嵌入到系统设施本身,使用户觉察不到复杂性, 只需发号施令而不必关心系统执行命令的具体过程。这意味着,系统本身能够自主运行, 并自我调整以适应不同的环境。自主计算即得名于人体的自主神经系统,但它们的重要差异在于, 人体做出的很多自主决定是不自觉的,而计算机系统的自主计算组件则遵循人所下达的命令。 自主计算也不同于人工智能,虽然后者在某些方面对其有借鉴意义。自主计算并不将模仿人类思维作为主要目标,而是 具有适应动态变化环境自我管理能力。 主要研究内容包括:

  • 自配置。使PC可以在无人参与的情况下自动安装应用程序,可用于包括IBM或其他品牌PC的混合环境; 系统移植助理则通过保存用户的设置,使用户特殊的数据、应用以及个人设置从旧系统向新系统转移时更容易。
  • 自恢复。它能使PC用户快速、轻松地实现文件数据乃至应用程序和操作系统本身的恢复。
  • 自优化。软件可以让用户轻易地在多种有线或无线的网络中切换,而不必操心网络连接时的设置变更过程。
  • 自保护。利用系统集成的安全芯片和客户安全软件,提供了同时基于软硬件的保护措施。

  • 五、认知信息学(cognitive informatics)

     1.   神经计算

          侧重研究神经网络变换、神经场计算理论、 信念神经网络模型的学习理论、基于前馈动力学神经网络的联想记忆模型、基于遗传算法的神经网络算法、 神经近似逻辑、思维模型等。取得的研究成果如下:

  • 以指数函数为隐单元激发函数的指数神经网络模型。
  • 研究了变换神经网络的竞争学习问题, 提出了适应频率竞争学习算法, 推广了 K--中心聚类算法, 从而部分地解决了全局等概率性问题。
  • 神经场计算的理论框架, 用平坦流形上单形、 复形的概念和理论来 作为神经网络模型结构的表示和编码机理, 通过复形结构的边缘链结构分解, 形成了 对于神经网络层次化, 功能模块化的组织结构、 定位机理的认识。
  • 在非线性空间和非欧氏空间中基于整体结构逼近的学习理论框架, 在此基础上 分别提出了对偶校正学习算法(DCL) 和基于拓扑结构逼近校正学习算法( TAC)。
  • 神经近似逻辑,该逻辑能很好地描述神经网络。神经近似逻辑不仅具有模糊的逻辑值, 而且逻辑运算符也是模糊的。
  • 连接专家系统。
    2. 学习的认知机理
    3. 环境认知

  • 六、内容计算
  • 基于内容的多媒体信息检索。
  • 智能搜索引擎

  • 您是本站的第 位客人 | 关于本站 | 站点维护
    Copyright © 2002-2008 中国科学院计算技术研究所智能信息处理重点实验室智能科学课题组