我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:2019跑狗图高清彩图 > 智能科学 >

智能科学与技术 的方向!!!!

归档日期:07-08       文本归类:智能科学      文章编辑:爱尚语录

  可选中1个或多个下面的关键词,搜索相关资料。也可直接点“搜索资料”搜索整个问题。

  展开全部智能科学研究智能的本质和实现技术, 是由脑科学、认知科学、人工智能等学科共同研究的交叉学科。脑科学从分子水平、细胞水平、行为水平研究自然智能机理,建立脑模型,揭示人脑的本质。认知科学是研究人类 感知、学习、记忆、思维、意识等人脑心智活动过程的科学。人工智能研究用人工的方法和技术,模仿、延伸和扩展人的 智能,实现机器智能。智能科学不仅要进行功能仿真,而且要从机理上研究、探索智能的新概念、新理论、新方法,必将在21世纪创 造辉煌。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:

  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:

  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。

  # 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

  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。

  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。

  # 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。

  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。

  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:

  # 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。

本文链接:http://egginfool.com/zhinenkexue/345.html