人工系统中数据–因素–算力–算法作用及相互关系研究

目前的研究认为人工智能的核心是数据、算法和算力,但因素在形成人工智能系统过程中是必不可少的。论文针对人工系统中的数据、算力、算法和因素的各自作用,及其相互关系进行了探讨和论证。从人工系统的内涵出发,描述人工系统的发展过程,认为目前和今后的人工系统必将具有人工智能特征,而实现人工系统要充分考虑上述四方面的相互作用。研究结果表明:数据是人工系统辨识因素的基础,也是形成算法的基础;因素是人工系统控制自然系统的方法及算法所需变量;算法体现了因素与数据关系,可描述人工系统结构;算力是解算算法的能力,也需考虑数据和因素的特征。因此因素在人工系统建立过程中与数据、算法和算力具有相同的重要性。它们具有明显的作用关系,且普遍存在于各个学科,是形成各学科理论基础体系的关键。     

软件维护的系统模型

在SAN环境下实现了一个开放系统与大型机数据共享系统,克服了传统客户/服务器数据共享模型的缺点,能有效地提高系统的数据传送性能;提出了一种基于共享磁盘映射关系的第三方数据传送方法,由于共享磁盘映射关系是动态建立的,因而系统具有良好的可扩展性;最后讨论了冗余存储路径容错和访问负载均衡功能的实现策略。     

突现（emergence）———系统研究的新观念

当系统科学的研究重点从系统的物质结构转变到有关系统的信息特征和功能特征的探讨以后,“突现”这种新观念就成了系统科学研究的中心课题。在复杂性科学的推动下,这种观念给一些领域带来巨大变化。大型计算机的出现与利用为这种研究提供了最恰当的工具和新的实验性,但在以解决实际问题为出发点和目标的开放的复杂巨系统的研究中,还需要新的方法论“从定性到定量的综合集成法”的补充和扩展,人机结合的大成智慧是这类研究的有效     

基于异构网络面向多标签系统的推荐模型研究

标签成为信息组织的重要方式之一,随着推荐系统的蓬勃发展,标签推荐成为学者们研究的重要问题之一.目前存在各种各样的标签系统,其功能千差万别,标签数据信息越来越复杂.目前研究往往针对特定类型标签数据,缺乏既综合考虑标签数据中不同类型对象的复杂信息又能适用于多种标签系统数据的标签推荐模型.构建了标签推荐模型HnMTR,该模型首先针对标签数据中不同类型对象构建异构网络模型,其次对异构网络模型中不同类型顶点进行同空间映射,使不同类型的顶点和边可在同一空间进行量化比较;最后基于同空间映射后网络,引入多参数马尔可夫模型进行标签评分和推荐.通过基于豆瓣、Delicious和Meetup这3个标签系统数据实验,其结果表明,HnMTR模型平均准确率比目前主流算法提高10%以上,取得了较好的推荐结果.     

基于运动序列分割的运动捕获数据关键帧提取

采用线性时不变系统把高维运动数据映射到低维状态空间;在低维状态空间中,定义了姿态之间的相似性度量;并采用误差平方和准则对时序的低维数据点集进行运动分割,分割点上的运动姿态被定义为关键帧．实验结果表明：该算法能够较好地提取出运动序列中的关键帧,并且这些关键帧能够很好地概括原始运动序列的内容．     

基于学习自动机的具有内发动机的感知运动系统的建立

以学习自动机为数学模型, 结合斯金纳操作条件反射, 建立一种人工感知运动系统, 称为感知运动自动机(SMA). 该系统包括感知状态集合、动作集合、感知运动取向性映射集合等9 部分. 系统引入好奇心和取向性概念, 设计具有主动学习环境的内发动机机制, 定义并分析了取向性学习过程, 证明了系统熵的收敛性. 通过模拟斯金纳鸽子实验表明了系统的可行性和有效性, 仿真结果表明系统具有较好的自学习和自组织特性, 同时稳定性较高.

     

大系统的分散能控子空间与分散不能观测子空间

提出了大系统的分散能控子空间和分散不能观测子空间的概念.研究了它们分别与集中控制中的能控子空间和不能观测子空间之间的关系.研究中借用了几何控制理论中的方法.结果表明,分散能控子空间和分散不能观测子空间是集中控制中能控子空间和不能观测子空间在分散控制下的自然推广.利用这两个概念,可以从几何角度研究大系统分散控制的几个问题,比如时变分散控制下的系统镇定问题.     

基于学习的群体动画生成技术研究

为了降低群体动画中生成大量自然而又相似的人体运动的难度和复杂性,研究了一种基于学习的群体动画生成技术。该技术首先通过建立基于高斯过程隐变量模型和隐空间动态模型的运动姿势学习模型,将高维运动姿势映射到低维隐空间中,并在低维隐空间对相邻姿势的动态演化进行建模;然后通过对已有运动数据的学习来获得组成该运动的姿势的概率分布,再通过隐空间中的动态预测和Hybrid Monte Carlo采样来得到符合给定概率分布的隐轨迹;最后通过姿势重构来得到与原运动非常相似但又不同的一系列自然的运动,以产生群体动画,从而避开了传统的基于几何和物理约束的逆运动方法固有的困难和复杂性。     

CLS到IDL的语言类型系统映射研究

NET框架和CORBA系统在集成互操作中,必然要求语言的映射。语言映射中首要和基础的工作是双方的类型系统的映射。在文中,对．NET框架中的CLS语言到OMGIDL语言的映射必要性、类型系统映射的分类以及与实例转换的区分进行了分析,研究了具体的CTS类型映射到IDL类型,对于映射中遇到的问题给出了处理方法,从而定义了可以被映射的CLS的子集,并指出了在语言映射需要进一步研究的问题。     

SAR饱和原始数据分段线性映射压缩算法

当星载SAR(synthetic aperture radar)原始数据的饱和度较高时,传统BAQ(block adaptive quantization)算法性能明显下降.为了改善其性能,本文研究了原始文献中采样信号幅度均值与输入ADC(analog to digital converter)信号标准差的映射关系,指出了其结果的疏漏并给出推导过程.在引入ADC输出信号标准差概念的基础上,本文完整地推导了采样信号幅度均值与ADC输出信号标准差的映射关系. Monte-Carlo实验表明,在饱和度全集上,以上两种映射均非SNR(signal to noise ratio)意义下的最优映射.因此,本文提出分段线性映射的概念以及饱和度全集最优搜索算法.对于线性映射段,给出了理论证明和k值解析解;对于非线性映射段,给出了分段线性映射的k值搜索算法.仿真数据及实测数据实验结果表明,当SAR原始数据饱和时,本文提出算法的数据域SNR优于传统BAQ算法的数据域SNR.     

安全科学中的故障信息转换定律

为在安全科学领域实现从故障信息到安全决策过程,本文提出了安全科学中的故障信息转化定律。安全科学核心之一是系统可靠性。随着信息数据和智能科学的发展,系统可靠性理论也应跟随并发展。信息生态方法论是不同于传统机械还原论的方法论,可全方位研究故障信息。因素空间理论是基于因素的智能科学数学基础。空间故障树理论则是研究可靠性与因素关系的系统科学方法。因此三者在因素、系统变化及其特征研究方面具有天然的集成性。分别提供了研究系统可靠性的方法论、智能数学基础和具体实施平台。信息生态方法论和因素空间理论可指导并融入空间故障树理论的发展。从而为安全科学基础理论提供符合信息和智能科学的系统可靠性分析理念和方法,为安全科学的信息化及智能化作出尝试。     

系统可靠-失效模型的哲学意义与智能实现

为适应未来无人化、智能化、数据化和信息化的复杂系统，必须建立智能系统以代替人的工作。该智能系统的目标是使功能系统达到预定功能并保持功能稳定，即控制系统可靠与失效状态的转化。因此提出系统可靠-失效模型(system reliability failure model, SRFM)，并讨论基于SRFM实现智能系统的方式，论述了系统在哲学层面的相关观点；从哲学角度论述SRFM的意义，包括认识论、矛盾论、系统论和方法论意义。在具有哲学意义基础上，使用信息生态方法论(information ecology methodology, IEM)、因素空间理论(factor space theory, FS)及泛逻辑理论(universal logic theory, UL)，并融入空间故障树理论(space fault tree theory, SFT)来智能地实现SRFM。本文是面向未来复杂系统的SRFM研究，是安全科学理论和智能科学研究必须面对的问题，也是必须尽早完成的工作。     

空间故障树与因素空间融合的智能可靠性分析方法

现有系统可靠性分析方法一般具有针对性,缺乏广泛的适应性和扩展性。由于智能科学、信息科学和大数据技术的涌现和发展,使得传统可靠性分析技术难以适应新的需要。因此作者提出了空间故障树理论,目的是分析多因素影响下的系统可靠性变化特征。将空间故障树理论与因素空间理论、云模型、模糊数学及系统稳定性等相结合,使其具有智能分析和故障大数据处理能力,以满足未来技术环境下的分析要求。本文论述了空间故障树和因素空间的发展史及主要理论与功能;以及两种理论结合,描述和分析系统演化过程的可行性。研究表明,空间故障树理论具有良好的扩展性和适应性,可适应未来技术环境,也可作为系统演化过程分析的普适框架。     

大数据智能:从数据拟合最优解到博弈对抗均衡解

数据驱动的机器学习（特别是深度学习）在自然语言处理、计算机视觉分析和语音识别等领域取得了巨大进展,是人工智能研究的热点。但是传统机器学习是通过各种优化算法拟合训练数据集上的最优模型,即在模型上的平均损失最小,而在现实生活的很多问题（如商业竞拍、资源分配等）中,人工智能算法学习的目标应该是是均衡解,即在动态情况下也有较好效果。这就需要将博弈的思想应用于大数据智能。通过蒙特卡洛树搜索和强化学习等方法,可以将博弈与人工智能相结合,寻求博弈对抗模型的均衡解。从数据拟合的最优解到博弈对抗的均衡解能让大数据智能有更广阔的应用空间。     

人工智能系统故障分析原理研究

为研究未来系统在人工智能控制下的系统故障预测、预防、控制和恢复能力,提出一种基于信息生态方法论的人工智能系统故障分析方法。将研究对象划分为人、功能、自然和智能系统;以智能系统为核心,研究故障信息、知识和智能安全生成原理;论述了基础故障意识、情感和理智的特点。研究表明,系统故障的人工智能分析必须采用信息生态方法论结合安全科学理论进行。分析原理是基于信息生态方法论,考虑基础故障意识、情感与理智,及即时故障语义信息进行的综合决策与反应,以确保系统在规定条件下完成预定功能。     

人和人工智能系统的概念形成过程研究

概念的形成是实现人工智能的基础,为研究人工智能系统中概念的形成过程,从人对事物形成概念的过程出发进行了研究。比较人和人工智能系统的概念形成过程得到了如下特点:人的优势在于能自主地确定对象表象和对象功能中的各种特征和划分等,能在对象、描述性定义和功能性定义对应关系不完备情况下通过思维和联想建立概念;人工智能系统的优势在于丰富的对象表象感知能力,对象的各种特征和划分的长期存储、运算和分析能力;而人工智能的概念形成过程存在的缺点基本与人的概念形成过程的优点对应。因此本文认为人工智能的概念形成过程必须关注因素的智能识别、功能的系统实践和人经验知识的有师学习。现有技术在缺乏人经验知识的情况下,人工智能系统不能自主建立概念和知识库,不能实现智能过程。     

空间故障网络的柔性逻辑描述

为使空间故障网络(space fault network, SFN)描述系统故障演化过程(system fault evolution process, SFEP)时能蕴含信息的不确定性和演化特征,克服因素、数据和演化本身的不确定性,提出使用柔性逻辑对SFN进行描述和改造。首先论述了SFN存在的问题和使用柔性逻辑解决这些问题的可能性。使用柔性逻辑描述SFN,应从SFN的最基本单元、事件发生关系、SFN结构方面进行。给出了SFN中与、或和传递关系的柔性逻辑表示。在柔性逻辑条件下给出了SFN的关系组,进而得到SFN最终事件状态的柔性逻辑表示。实例结果蕴含了SFEP中各事件、因素和演化过程之间的柔性逻辑关系及其不确定性,为SFEP的智能化研究提供了新方法论和理论基础。     

泛逻辑学理论——机制主义人工智能理论的逻辑基础

当前，世界各主要大国都把人工智能作为它们的国家战略。人工智能的发展正在快速改变着人类的生活方式和思想观念。在中国，有一小批研究者20多年来一直在基于辩证唯物主义潜心研究具有普适性的人工智能基础理论，包括智能的形成机制、逻辑基础、数学基础、协调机理、矛盾转化等。终于，他们各自建立了机制主义人工智能理论、泛逻辑学理论、因素空间理论、协调学、可拓学、集对分析等。其中，机制主义人工智能理论是基于智能形成机制的通用理论，它能把现有的结构主义、功能主义和行为主义三大流派有机地统一起来，使意识、情感、理智成为三位一体的关系；因素空间理论是机制主义人工智能理论的数学基础；泛逻辑学理论是机制主义人工智能理论的逻辑基础。本文介绍了泛逻辑学理论的基本思想、理论基础和应用方法，阐明它的理论意义和应用价值。特别需要指出的是，在广义概率论基础上建立的命题泛逻辑（包括刚性逻辑和柔性逻辑），可看成一个完整的命题级智能信息处理算子库，库中完整地包含了全部18种柔性信息处理模式（包括16种布尔信息处理模式），可用类型编码<a,b,e>来严格区分，用它可寻找到适合自己的信息处理算子完整簇来使用。在每一个信息处理模式中，各种不确定性的组合状态由不确定性程度属性编码<k,h,β,e>来严格区分，用它可在本信息处理模式的算子完整簇中精确选择具体的算子来使用。这表明柔性信息处理本质上是一把密码锁，它需要专门的密码<a,b,e>+<k,h,β,e>才能正常打开，不能乱点鸳鸯谱。通过只有18种模式，每种模式可以从最大算子连续变化到最小算子，已经证明了没有一个命题算子被遗漏。     

An approach to the emergent design theory and applications

An emergent approach for the design of artifacts (artificial systems) is proposed. First, the system design process is reformulated in the framework of set and mapping theory, and the design problem is defined as an inverse mapping from the set of specifications depending on the environment to the set of components and their connections. The inverse problem can be solved by the iteration of forward mapping. Next, the problem is classified from the viewpoint of the specifications and the environment. The concepts of evolution, adaptation, learning, and coordination can be related to classified problems. Emergent design procedure is defined in the framework of these concepts, in particular by taking evolutionary computing techniques into account. Two examples are shown: the first is a design of complex linear passive filters, and the other is a design of multilink moving robots. This work was presented, in part, at the Third International Symposium on Artificial Life and Robotics, Oita, Japan, January 19–21, 1998