導(dǎo)語：如何才能寫好一篇人工智能研究現(xiàn)狀綜述，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：人工智能 機器學(xué)習(xí) 機器人情感獲得 發(fā)展綜述

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1003-9082 （2017） 04-0234-01

引言

人類自從工業(yè)革命結(jié)束之后，就已然開始了對人工智能的探索，究其本質(zhì)，實際上就是對人的思維進(jìn)行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期，那時圖靈就希望未來的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代，人工智能被首次確定為一個新興的學(xué)科，并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過長時間的探索和嘗試，人工智能的許多重要基本理論已經(jīng)形成，如模式識別、特征表示與推理、機器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來，隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人工智能再一次成為研究熱點。人工智能技術(shù)與基因過程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù)， 并且人工智能涉及的學(xué)科多，社會應(yīng)用廣泛，對其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產(chǎn)生與發(fā)展過程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應(yīng)用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學(xué)的研究生制造出了第一臺人工神經(jīng)元計算機。而其真正作為一個新的概念被提出是在1956年舉行的達(dá)茅斯會議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學(xué)科。1969年的國際人工智能聯(lián)合會議標(biāo)志著人工智能得到了國際的認(rèn)可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數(shù)學(xué)、生物、計算機、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。

2.綜合發(fā)展階段

1.7 7年， 費根鮑姆在第五屆國際人工智能聯(lián)合會議上正式提出了“知識工程”這一概念。而后其對應(yīng)的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應(yīng)用到了人類生活的方方面面。20世紀(jì)80年代以來，專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開發(fā)采用了多種人工智能語言、多種知識表示方法、多種推理機制和多種控制策略相結(jié)合的方式， 并開始運用各種專家系統(tǒng)外殼、專家系統(tǒng)開發(fā)工具和專家系統(tǒng)開發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務(wù)中接近甚至超過人類專家的水平。

3.應(yīng)用階段

進(jìn)入二十一世紀(jì)以后，由于深度人工神經(jīng)網(wǎng)絡(luò)的提出，并在圖像分類與識別的任務(wù)上遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章，其中首次提到了深度學(xué)習(xí)這一思想，實現(xiàn)對數(shù)據(jù)的分級表達(dá)，降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN），等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，使得訓(xùn)練和測試的效率得到大幅提升，識別準(zhǔn)確率也顯著提高。

二、人工智能核心技術(shù)

人工智能由于其涉及的領(lǐng)域較多，內(nèi)容復(fù)雜，因此在不同的應(yīng)用場景涉及到許多核心技術(shù)，這其中如專家系統(tǒng)、機器學(xué)習(xí)、模式識別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個核心技術(shù)。

1.專家系統(tǒng)

專家系統(tǒng)是一類具有專門知識和經(jīng)驗的計算機智能程序系統(tǒng)，通過對人類專家的問題求解能力建模，采用人工智能中的知識表示和知識推理技術(shù)來模擬通常由專家才能解決的復(fù)雜問題，達(dá)到具有與專家同等解決問題能力的水平。對專家系統(tǒng)的研究，是人工智能中開展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測、文化教育等方面。

2.機器學(xué)習(xí)

機器學(xué)習(xí)是一個讓計算機在非精確編程下進(jìn)行活動的科學(xué)，也就是機器自己獲取知識。起初，機器學(xué)習(xí)被大量應(yīng)用在圖像識別等學(xué)習(xí)任務(wù)中，后來，機器學(xué)習(xí)不再限于識別字符、圖像中的某個目標(biāo)，而是將其應(yīng)用到機器人、基因數(shù)據(jù)的分析甚至是金融市場的預(yù)測中。在機器學(xué)習(xí)的發(fā)展過程中，先后誕生了如凸優(yōu)化、核方法、支持向量機、Boosting算法等等一系列經(jīng)典的機器學(xué)習(xí)方法和理論。機器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。

3.模式識別

模式識別是研究如何使機器具有感知能力 ，主要研究圖像和語音等的識別。其經(jīng)典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發(fā)展起來應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計學(xué)習(xí)的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字，識別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實際應(yīng)用。語音識別主要研究各種語音信號的分類，和自然語言理解等等。模式識別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域，其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。

4.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機理。而近年來發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNNs）具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，與經(jīng)典的機器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強的特征學(xué)習(xí)和表達(dá)能力。含有多個隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述，從而有利于解決特征可視化以及分類問題。另外，通過實現(xiàn)“逐層初始化”這一方法，實現(xiàn)對輸入數(shù)據(jù)的分級表達(dá)，可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識別任務(wù)中取得了十分明顯的進(jìn)展，基于CNN的圖像識別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點。

三、機器人情感獲得

1.智能C器人現(xiàn)狀

目前智能機器人的研究還主要基于智能控制技術(shù)，通過預(yù)先定義好的機器人行動規(guī)則，編程實現(xiàn)復(fù)雜的自動控制，完成機器人的移動過程。而人類進(jìn)行動作、行為的學(xué)習(xí)主要是通過模仿及與環(huán)境的交互。從這個意義上說，目前智能機器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運動機制方面，目前幾乎所有的智能機器人都不具備類人的外周神經(jīng)系統(tǒng)，其靈活性和自適應(yīng)性與人類運動系統(tǒng)還具有較大差距。

2.機器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機器人在不斷的機器學(xué)習(xí)和大數(shù)據(jù)處理中，中樞處理系統(tǒng)不斷地自我更新、升級，便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進(jìn)化歷程，也就是說，智能機器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機器人獲得情感的利弊

機器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機器人可以帶來更多人性化的服務(wù)，人機合作也可進(jìn)行地更加深入，可以為人類帶來更為逼真的體驗和享受。人類或可與智能機器人攜手共創(chuàng)一個和諧世界。但是另一方面，在機器人獲得情感時，機器人是否能徹底貫徹人類命令及協(xié)議的擔(dān)憂也迎面而來。

4.規(guī)避機器人情感獲得的風(fēng)險

規(guī)避智能機器人獲得情感的風(fēng)險應(yīng)預(yù)備強制措施。首先要設(shè)計完備的智能機器人情感協(xié)議，將威脅泯滅于未然。其次，應(yīng)控制智能機器人的能源獲得，以限制其自主活動的能力，杜絕其建立獨立體系的可能。最后，要掌控核心武器，必要時強行停止運行、回收、甚至銷毀智能機器人。

三、總結(jié)

本文梳理了人工智能的發(fā)展歷程與核心技術(shù)，可以毋庸置疑地說，人工智能具有極其廣闊的應(yīng)用前景，但也伴隨著極大的風(fēng)險?；仡櫰浒l(fā)展歷程，我們有理由充分相信，在未來人工智能的技術(shù)會不斷完善，難題會被攻克。作為世界上最熱門的領(lǐng)域之一，在合理有效規(guī)避其風(fēng)險的同時，獲得情感的智能機器人會造福人類，并極大地幫助人們的社會生活。

參考文獻(xiàn)

[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學(xué)報，2016，（01）：212-222.

[3]張越.人工智能綜述：讓機器像人類一樣思考

篇2

系統(tǒng)綜述(systematicreview)又稱系統(tǒng)評價，起源于醫(yī)學(xué)領(lǐng)域，是指在復(fù)習(xí)、分析、整理和綜合原始文獻(xiàn)的基礎(chǔ)上進(jìn)行的二次研究方法［12］，目前已經(jīng)被廣泛應(yīng)用于循證醫(yī)學(xué)(evidence-basedmedicine)［13］，逐步應(yīng)用于社會學(xué)、教育學(xué)、圖書情報等領(lǐng)域［14］。系統(tǒng)綜述可被精確區(qū)分為兩種類型:(1)定性系統(tǒng)綜述，原始文獻(xiàn)的研究結(jié)果被分析與總結(jié)，但未經(jīng)統(tǒng)計學(xué)合并;(2)定量系統(tǒng)綜述，又稱元(meta)分析或薈萃分析，應(yīng)用統(tǒng)計學(xué)方法對若干個研究結(jié)果進(jìn)行定量統(tǒng)計合并的過程。在某些不強調(diào)或較難實施統(tǒng)計學(xué)合并的研究領(lǐng)域，直接將定性系統(tǒng)綜述稱為系統(tǒng)綜述，將其作為一種對某研究問題、主題或現(xiàn)象的可獲得的所有研究進(jìn)行評價和解釋的方法，目標(biāo)在于通過一種可信的、嚴(yán)格的以及可審計的方法來提供公正的研究評價［15］。信息科學(xué)與旅游科學(xué)的交叉研究屬于較難實現(xiàn)統(tǒng)計學(xué)合并的研究領(lǐng)域，因此本文采用定性系統(tǒng)綜述方法，簡稱系統(tǒng)綜述。本文關(guān)于信息科學(xué)與旅游的交叉研究的系統(tǒng)綜述研究包含如下步驟:(1)確定研究問題為了全面了解與分析信息科學(xué)與旅游的交叉研究現(xiàn)狀，本文確定了如下系統(tǒng)綜述的研究問題:①信息科學(xué)研究中面向旅游的研究主要有哪些方面?②旅游研究中與信息科學(xué)相關(guān)的研究主要有哪些方面?③信息科學(xué)與旅游的交叉研究有哪些趨勢?(2)確定文獻(xiàn)搜索策略基于所確定的研究問題，設(shè)計如下文獻(xiàn)搜索策略:①搜索工具與數(shù)據(jù)庫:采用GoogleScholar、IEEEXplore、ScienceDirect;②搜索關(guān)鍵字:采用關(guān)鍵字組合“tourism”AND(“computer”O(jiān)R“communicationtechnology①”)，即“旅游”與“計算機”或“通信技術(shù)”同時出現(xiàn);計算機科學(xué)與技術(shù)是信息科學(xué)研究領(lǐng)域中最為活躍的方向之一，計算機科學(xué)與技術(shù)、通信科學(xué)與技術(shù)在信息科學(xué)研究中具有一定的代表性;經(jīng)過反復(fù)搜索測試，“計算機”與“通信技術(shù)”作為關(guān)鍵字與“旅游”進(jìn)行組合搜索，搜索結(jié)果能夠較為全面地覆蓋信息科學(xué)與旅游的交叉研究，實現(xiàn)本文系統(tǒng)綜述的研究目標(biāo);③搜索的時間范圍:2000年之后。(3)文獻(xiàn)搜索按照上述搜索策略分別在3個工具與數(shù)據(jù)庫進(jìn)行搜索。GoogleScholar顯示共有54500條結(jié)果(2011年12月22日)，其只提供最相關(guān)的前1000條;IEEEXplore(搜索字段為“摘要”)共搜索到46條結(jié)果(2011年12月24日);ScienceDirect(搜索字段為“題目”或“關(guān)鍵字”或“摘要”)共搜索到36條結(jié)果(2011年12月24日)。(4)文獻(xiàn)篩選在上述搜索到的條目中，按照表1所示的文獻(xiàn)入選和剔除標(biāo)準(zhǔn)，篩選用于本文系統(tǒng)綜述的文獻(xiàn)。表1所示第一步完成后共有512篇文獻(xiàn)入選。第二步經(jīng)過多次逐步細(xì)化篩選，最終確定用于本文系統(tǒng)綜述的入選文獻(xiàn)共245篇，其中期刊論文158篇，會議論文87篇。245篇文獻(xiàn)來自106種期刊和58種會議，文獻(xiàn)來源分散且涉及領(lǐng)域廣泛，有關(guān)文獻(xiàn)來源、作者等的定量分析結(jié)果已另文撰寫［16］，本文則側(cè)重對系統(tǒng)綜述研究步驟(1)所確定的研究問題的回答。(5)分析與完成報告根據(jù)系統(tǒng)綜述研究步驟(1)所確定的研究問題，對入選文獻(xiàn)進(jìn)行分類、分析與總結(jié)。分析結(jié)果見下一章節(jié)。為了分別回答問題1與問題2，本文需要將入選文獻(xiàn)劃分為旅游研究和信息科學(xué)研究兩種視角，分別簡稱為旅游類研究和信息類研究。而事實上，當(dāng)兩種研究產(chǎn)生交叉與融合，進(jìn)行上述嚴(yán)格區(qū)分是較為困難的。為此，本如下處理:(1)按照文獻(xiàn)來源所屬學(xué)科范疇進(jìn)行劃分，如來源于TourismManagement及《旅游學(xué)刊》的文獻(xiàn)則劃入旅游類，來源于ExpertSystemswithApplications及《計算機工程》的文獻(xiàn)則劃入信息類;(2)按照期刊載文的學(xué)科范疇劃分，如《華東經(jīng)濟管理》刊載旅游類文章，則歸為旅游類，《北京工商大學(xué)學(xué)報(自然科學(xué)版)》刊載信息技術(shù)類文章，則歸為信息類;(3)按照入選文獻(xiàn)的具體內(nèi)容劃分，一些綜合性期刊無法直接確認(rèn)屬于哪一類，則閱讀入選文章原文，如果偏重人文社會學(xué)視角，則歸入旅游類;如果偏重信息科學(xué)及技術(shù)視角，則歸入信息類。由此，經(jīng)管類、電子商務(wù)、地理類等期刊歸入旅游類中，測繪類期刊歸入信息類中;兩類分別含有入選文獻(xiàn)147篇和98篇。

綜述結(jié)果與分析

1:信息科學(xué)研究中面向旅游的研究主要有哪些方面?“面向旅游”并不特指專用于或?qū)ｉT針對旅游的研究，而是指其研究問題由旅游領(lǐng)域而產(chǎn)生，或者旅游是其最為典型的應(yīng)用。面向旅游的信息科學(xué)研究幾乎涉及了信息科學(xué)研究范疇的各個方面，而許多研究領(lǐng)域更是體現(xiàn)了信息科學(xué)領(lǐng)域較新及較前沿的研究方向與熱點，如表2所示①。面向旅游的信息科學(xué)研究中最受關(guān)注的研究主題是應(yīng)用系統(tǒng)、人工智能、地理信息系統(tǒng)、移動應(yīng)用、推薦系統(tǒng)以及語義網(wǎng)與本體等;而Web服務(wù)、虛擬現(xiàn)實、普適計算、計算機仿真也受到了一定程度的關(guān)注。下面對表2排序前10的研究主題的進(jìn)展情況進(jìn)行詳細(xì)闡述。應(yīng)用系統(tǒng)指面向各種終端設(shè)備，如電腦、手機、PDA(掌上電腦)、電話等使用者的可用人機交互系統(tǒng)，也包含網(wǎng)站(Web)應(yīng)用系統(tǒng)。本文為了強調(diào)移動應(yīng)用和推薦系統(tǒng)兩類特殊的應(yīng)用系統(tǒng)，在本類研究主題統(tǒng)計中將其排除，另列類別。應(yīng)用系統(tǒng)研究占據(jù)了面向旅游的信息科學(xué)研究的較大比重。一方面是因為信息科學(xué)向旅游研究中進(jìn)行滲透的最初方式正是其在旅游行業(yè)中的實際應(yīng)用;另一方面是入選文獻(xiàn)中我國研究占據(jù)較大比重且較集中于該類研究。應(yīng)用系統(tǒng)的相關(guān)研究可分為:①戰(zhàn)略設(shè)計或?qū)嵤┙ㄗh，如航空業(yè)信息技術(shù)應(yīng)用戰(zhàn)略與戰(zhàn)術(shù)研究［17］，以及非洲撒哈拉以南地區(qū)的旅游組織實施電子商務(wù)的建議［18］;②技術(shù)架構(gòu)設(shè)計，如基于面向服務(wù)的體系架構(gòu)(serviceorientedarchitecture，SOA)的旅游資源信息服務(wù)模型研究［19］;③系統(tǒng)設(shè)計與開發(fā)，如一種智能旅游行程導(dǎo)航系統(tǒng)［20］，以及四川［21］、山西［22］和贛東北［23］等目的地或區(qū)域管理信息系統(tǒng)的設(shè)計與開發(fā)。人工智能是面向旅游的信息科學(xué)研究較多采用的方法與技術(shù)，可將相關(guān)研究分成以下幾個方面:①推理，即采用人工智能推理技術(shù)支撐各種應(yīng)用系統(tǒng)，如基于貝葉斯網(wǎng)的旅游行程推理［24］;②數(shù)據(jù)挖掘，如旅游突發(fā)事件預(yù)測預(yù)警［25，26］、消費者特征分析［27］、基于機器學(xué)習(xí)的旅游博客觀點挖掘［28］以及數(shù)據(jù)倉庫技術(shù)在旅游業(yè)中的應(yīng)用［29］;③主體(agent)，如主體旅游者進(jìn)行數(shù)據(jù)采集、分析并向旅游者進(jìn)行旅游推薦［30－32］;④評價，如基于神經(jīng)網(wǎng)絡(luò)的上海旅游可持續(xù)發(fā)展能力評價［33］;⑤決策支持，如旅游目的地選擇決策支持系統(tǒng)［34］。旅行活動是一種人地關(guān)系，地理信息是設(shè)計與開發(fā)各種旅游應(yīng)用系統(tǒng)的重要信息資源，地理信息系統(tǒng)就是為這些應(yīng)用系統(tǒng)提供地理信息使用接口的重要支撐系統(tǒng)。個性化目的地推薦系統(tǒng)［35］、基于短信服務(wù)的餐館推薦系統(tǒng)［36］、導(dǎo)航系統(tǒng)［20］、位置服務(wù)系統(tǒng)［37］、旅游資源監(jiān)控預(yù)警系統(tǒng)［38］以及古建筑信息系統(tǒng)［39］等應(yīng)用系統(tǒng)都離不開地理信息系統(tǒng)的支撐。上述“應(yīng)用系統(tǒng)”主題研究中，幾乎所有面向目的地與區(qū)域的管理信息系統(tǒng)的設(shè)計與開發(fā)都離不開地理信息系統(tǒng)。有關(guān)旅游地理信息系統(tǒng)本身的研究也較為活躍，如雅安市WebGIS(萬維網(wǎng)地理信息系統(tǒng))的實現(xiàn)研究［40］、基于WebGIS的旅游地理信息系統(tǒng)研發(fā)［21］以及泰山三維(3D)地理信息系統(tǒng)的研發(fā)［41］。移動通信技術(shù)，特別是移動終端技術(shù)的快速發(fā)展，使得面向旅游者手持終端(如手機、PDA)的各種移動應(yīng)用得到了迅猛發(fā)展。相比較于傳統(tǒng)的計算機應(yīng)用，移動應(yīng)用較好體現(xiàn)了旅游以“人為中心”而不是計算機為中心的理念。相關(guān)研究主要集中于面向旅游者服務(wù)的信息推送與搜索［37］、導(dǎo)航［42，43］、實時路線及目的地推薦［34，36，44，45］;并向普適計算的方向進(jìn)行擴展，如手機電子門票［46］、基于全球定位系統(tǒng)的車輛監(jiān)控與導(dǎo)航以及手機與環(huán)境之間的交互游戲［47］等。除了面向旅游者服務(wù)外，移動應(yīng)用研究還包含面向旅游研究者、旅游公共管理與服務(wù)部門以及旅游企業(yè)的旅游行為數(shù)據(jù)采集與分析，如可通過基于手機數(shù)據(jù)的散客流分析，對目的地住宿的可容納量進(jìn)行估算［48］。移動應(yīng)用中與位置信息相關(guān)的應(yīng)用也被稱為位置服務(wù)，如位置信息服務(wù)、導(dǎo)航以及實時路線推薦等。推薦系統(tǒng)是為解決互聯(lián)網(wǎng)“信息過載”問題而提出的一種個性化服務(wù)，幫助用戶從大量信息中發(fā)現(xiàn)其可能感興趣的或者滿足其需求的資源，如信息、服務(wù)以及商品等，并自動生成個性化推薦［49］。目前，推薦系統(tǒng)在旅游中的典型應(yīng)用為旅游行程規(guī)劃，可面向旅游電子商務(wù)用戶［50］，也可面向互聯(lián)網(wǎng)用戶［4，51，52］;可規(guī)劃旅行的時間、地點以及活動等全套行程規(guī)劃［4，51－53］，也可推薦旅游目的地［35］、餐廳［36］以及住宿［54］等。推薦系統(tǒng)主要采用人工智能［50］、語義網(wǎng)［24，53］、移動應(yīng)用［36，45］、定位與地理信息系統(tǒng)［36］等技術(shù)。相關(guān)研究還涉及用戶個性語義模型［55］、系統(tǒng)架構(gòu)設(shè)計［56］等方面。語義網(wǎng)(semanticWeb)是傳統(tǒng)網(wǎng)站的一種擴展。在語義網(wǎng)中，信息具有明確的含義———語義，人類語言與機器語言之間能夠相互理解，機器能夠自動地處理和集成網(wǎng)上對于人而言可用的信息，使得人與機器之間的交流變得像人與人之間交流一樣順暢。本體(ontology)是用來描述網(wǎng)絡(luò)文檔中術(shù)語的明確含義及其之間關(guān)系的技術(shù)，能夠?qū)崿F(xiàn)語義網(wǎng)信息處理的自動化，提高網(wǎng)站搜索的準(zhǔn)確性以及網(wǎng)站服務(wù)質(zhì)量［57］。旅游領(lǐng)域是語義Web與本體研究的問題來源與典型應(yīng)用對象，如基于語義Web與本體技術(shù)的旅游中小企業(yè)間信息交換［58］、動態(tài)生成客戶供給的客戶關(guān)系管理［59］、旅游網(wǎng)站信息系統(tǒng)［60］、旅游目的地管理系統(tǒng)［61］以及旅行推薦系統(tǒng)［24，30，53，54，56］。這些系統(tǒng)能夠?qū)β糜晤I(lǐng)域知識進(jìn)行本體表達(dá)，從而集成對于用戶有用的或者滿足用戶需求的語義信息;其中，旅游知識域的本體表達(dá)［62］、行程規(guī)劃的語義信息推理［24］是實現(xiàn)這些系統(tǒng)的關(guān)鍵技術(shù)。Web服務(wù)(Webservices)是Web上數(shù)據(jù)和信息集成的有效機制，是解決Web上各種應(yīng)用系統(tǒng)高維護與更新代價的最為合理的解決方案［57］。因此，Web服務(wù)在旅游中主要用于信息集成、交換以及系統(tǒng)之間的互操作［63，64］。Web服務(wù)技術(shù)對于旅游目的地管理而言非常重要，能夠?qū)崿F(xiàn)旅游目的地營銷系統(tǒng)與旅游企業(yè)之間以及目的地旅游企業(yè)之間的異構(gòu)數(shù)據(jù)交換、共享以及集成［65］。Web技術(shù)還是Web推薦系統(tǒng)的重要技術(shù)之一，能夠獲取推薦系統(tǒng)所需的動態(tài)與實時的萬維網(wǎng)數(shù)據(jù)［52］。虛擬現(xiàn)實技術(shù)主要用于旅游目的地、景區(qū)、景點的市場營銷。國內(nèi)的相關(guān)研究集中于旅游目的地、景區(qū)及景點等的虛擬展示，如西安市360度全景虛擬旅游系統(tǒng)［66］、北京妙峰山古建筑群的網(wǎng)絡(luò)虛擬漫游系統(tǒng)［67］、村鎮(zhèn)民俗旅游資源的立體展示［68］。鄭鵬等認(rèn)為這是一種旅游產(chǎn)品的虛擬試用體驗［69］。而國外的相關(guān)研究則側(cè)重于游客的現(xiàn)場體驗，特別針對歷史文化遺產(chǎn)與遺跡，如意大利的PEACH(personalexperiencewithactiveculturalheritage，個性化體驗活動的文化遺產(chǎn))項目針對提升游客在博物館對于文化遺產(chǎn)的體驗［70］以及馬來西亞凱利城堡(Kellie’sCastle)的虛擬旅游原型研發(fā)［71］。虛擬現(xiàn)實技術(shù)在旅游中的應(yīng)用還包含了旅游開發(fā)與遺產(chǎn)保護，如十三陵景區(qū)的虛擬復(fù)原［72］。普適計算模式下人們能夠在任何時間、任何地點、以任何方式進(jìn)行信息的獲取與處理。由于移動終端設(shè)備及其應(yīng)用的發(fā)展，普適計算在旅游研究中非常活躍，如一種面向移動終端的基于旅游本體的信息廣播與推送方法研究，用以解決傳統(tǒng)移動終端對于旅游者需要花費昂貴的“漫游”網(wǎng)絡(luò)連接費用以及需要主動獲取信息等問題［73］;一個面向德國雷根斯堡(Regensburg)游客的移動終端游戲的設(shè)計與應(yīng)用，游客可以通過在空中晃動手機來與游戲中的歷史人物溝通，該游戲以一種有趣的方式向游客介紹雷根斯堡的歷史［74］。普適計算是我國目前形成研究熱點的物聯(lián)網(wǎng)應(yīng)用的基礎(chǔ)理論與技術(shù)之一。計算機仿真技術(shù)研究中面向旅游的研究包含基于概率統(tǒng)計方法對上海旅游服務(wù)系統(tǒng)顧客滿意度進(jìn)行仿真［75］以及基于系統(tǒng)動力學(xué)方法對新度假制度對城郊旅游的影響進(jìn)行仿真［76］等。

問題2:旅游研究中與信息科學(xué)相關(guān)的研究主要有哪些方面?旅游研究中與信息科學(xué)方法與技術(shù)相關(guān)的研究范圍較為廣泛，表3顯示本文入選文獻(xiàn)中歸入旅游類的研究主題共有43種①。其中最受關(guān)注的研究主題是電子商務(wù)、網(wǎng)站評估以及在線消費者行為。人工智能、移動通信、地理信息系統(tǒng)等信息科學(xué)方法與技術(shù)在旅游中受到了相應(yīng)重視。旅游網(wǎng)站空間、系統(tǒng)評價、網(wǎng)絡(luò)營銷、應(yīng)用系統(tǒng)以及正在大范圍普及的Web2.0互聯(lián)網(wǎng)應(yīng)用模式也受到了旅游研究的重視。信息科學(xué)領(lǐng)域中的某些前沿研究也在旅游研究中得到了關(guān)注，如計算機仿真、推薦系統(tǒng)、Web服務(wù)、語義網(wǎng)與本體。進(jìn)一步對表3各類主題的文獻(xiàn)內(nèi)容進(jìn)行剖析與歸納，可以得到以下旅游研究中與信息科學(xué)方法與技術(shù)相關(guān)的6個研究范疇:信息技術(shù)對旅游的影響研究主要包含信息技術(shù)對旅游產(chǎn)業(yè)的影響與信息技術(shù)在旅游中的應(yīng)用影響兩個方面。其中，信息技術(shù)在旅游中的應(yīng)用影響又分為現(xiàn)狀研究、作用研究、影響因素研究等方面。信息技術(shù)對旅游產(chǎn)業(yè)的影響主要體現(xiàn)在其對傳統(tǒng)旅游產(chǎn)業(yè)價值鏈的重構(gòu)上，集中表現(xiàn)于電子商務(wù)對旅游產(chǎn)業(yè)的影響［77］、新型電子中介(供應(yīng)商、互聯(lián)網(wǎng)門戶網(wǎng)站、拍賣網(wǎng)站、數(shù)字電視、移動商務(wù)等)對傳統(tǒng)電子中介(計算機訂座系統(tǒng)、全球分銷系統(tǒng)等)的影響［78］、信息技術(shù)對分銷渠道的影響［79］。信息技術(shù)在旅游中的應(yīng)用現(xiàn)狀研究主要側(cè)重于旅游企業(yè)，如電子商務(wù)在北京旅游企業(yè)中的應(yīng)用現(xiàn)狀［80］、土耳其旅行社對互聯(lián)網(wǎng)的使用情況［81］、愛爾蘭旅游中小企業(yè)和鄉(xiāng)村微型住宿業(yè)對信息技術(shù)使用情況的分析［82］、南非中小旅游企業(yè)對于信息技術(shù)使用的狀況研究［83］.信息技術(shù)對旅游的作用研究既包含旅游企業(yè)整體層面，如信息技術(shù)對埃及中小接待企業(yè)發(fā)展的積極作用［84］、知識管理對于澳大利亞旅游業(yè)的作用［85］等;又包含旅游企業(yè)的某項具體功能，如信息技術(shù)應(yīng)用對于泰國酒店運營效率的作用［86］;還包含旅游資源開發(fā)與保護方面，如計算機技術(shù)對于泰國古建筑重建的重要作用［87］。信息技術(shù)應(yīng)用的影響因素研究對于旅游業(yè)如何有效應(yīng)用信息技術(shù)而言是非常重要的。相關(guān)研究包含:①電子商務(wù)的應(yīng)用影響，如泰國旅游企業(yè)應(yīng)用電子商務(wù)的影響因素［88］、酒店業(yè)應(yīng)用電子商務(wù)的影響因素［89］;②網(wǎng)絡(luò)營銷對旅游企業(yè)的影響，如互聯(lián)網(wǎng)廣告對旅行社運營的影響［90］;③旅游企業(yè)對技術(shù)應(yīng)用的態(tài)度，如希臘旅行社對互聯(lián)網(wǎng)技術(shù)的使用情況與態(tài)度［91］;④旅游者對信息技術(shù)使用的態(tài)度，如游客在度假時是否愿意使用基于技術(shù)的信息［92］、影響旅游者使用互聯(lián)網(wǎng)進(jìn)行旅游規(guī)劃的因素［93］。目前，信息技術(shù)在旅游中的應(yīng)用模式研究主要集中于電子商務(wù)模式、網(wǎng)絡(luò)營銷以及Web2.0。電子商務(wù)模式的相關(guān)研究有區(qū)域旅游電子商務(wù)開發(fā)計劃研究［94］、旅游電子商務(wù)模式現(xiàn)狀與趨勢研究［95］、旅游電子商務(wù)模式［96］以及運營模式研究［97］等。網(wǎng)絡(luò)營銷是除了電子商務(wù)之外信息技術(shù)在旅游中最主要的應(yīng)用模式。網(wǎng)絡(luò)營銷研究多圍繞網(wǎng)站展開，如英國農(nóng)村接待企業(yè)網(wǎng)站營銷現(xiàn)狀研究［98］、塞爾維亞旅游網(wǎng)站網(wǎng)絡(luò)促銷現(xiàn)狀和形式研究［99］、美國旅游官方網(wǎng)站網(wǎng)絡(luò)營銷使用分析［100］、旅游目的地營銷組織網(wǎng)站的客戶需求研究［101］。此外，在線葡萄酒旅游［102］以及在線客戶關(guān)系管理［103］都是一種網(wǎng)絡(luò)營銷方式。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，Web2.0作為一種新型的互聯(lián)網(wǎng)應(yīng)用模式受到了旅游領(lǐng)域的高度關(guān)注。相關(guān)研究可以分為如下幾個方面:①營銷，即基于Web2.0的網(wǎng)絡(luò)營銷方式，這是目前旅游研究領(lǐng)域最為關(guān)注的方面，如Web2.0對克羅地亞旅游產(chǎn)品的營銷作用研究［104］、博客對于旅游市場營銷的中介作用［105］;②旅游者行為與服務(wù)，如Web2.0下網(wǎng)絡(luò)旅游消費行為模式及旅游網(wǎng)站應(yīng)用研究［106］、基于Web2.0的用戶個性化定制研究［107］以及基于人工智能技術(shù)的微博“旅游情感”數(shù)據(jù)挖掘［108］;③網(wǎng)站分類，如Web2.0旅游網(wǎng)站的分類機制研究［109］。此外，面向產(chǎn)業(yè)價值網(wǎng)絡(luò)的四川旅游信息資源整合推進(jìn)模式和機制是一種信息技術(shù)在旅游中應(yīng)用模式的有效探索［110］。網(wǎng)站評價是信息技術(shù)應(yīng)用評價研究中最主要的內(nèi)容［111］。從評價對象上看，相關(guān)研究涉及官方旅游網(wǎng)站［112］、目的地營銷組織網(wǎng)站［113］、各國及地區(qū)旅游網(wǎng)站［114－116］;從評價內(nèi)容上，包含有效性評價［112］、可用性評價［114，117］、使用分析［118］、功能分析［113，119］、網(wǎng)站設(shè)計［116，120］、網(wǎng)站旅游本體分析［121］、游客價值［116］以及網(wǎng)站訪問者分析［119］等;從評價方法上有調(diào)查法［114］、啟發(fā)式方法［115］、數(shù)據(jù)包絡(luò)分析法［122］、內(nèi)容分析法［113］、網(wǎng)站日志分析法［118］、領(lǐng)域本體分析法［121］等。隨著移動通信技術(shù)的發(fā)展，移動應(yīng)用在旅游領(lǐng)域得到了廣泛應(yīng)用，針對移動應(yīng)用系統(tǒng)的評價研究也受到研究者的關(guān)注，如從用戶角度對移動應(yīng)用進(jìn)行評價［123］、各種移動旅游者指南功能與可用性評價［124］。較傳統(tǒng)旅游研究對象，如旅游資源、旅游企業(yè)以及旅游者等，信息社會視角的旅游研究對象發(fā)生了擴展，如從旅游者的地理時空變化擴展到了在線旅游者行為變化，從旅游資源的空間格局?jǐn)U展到了旅游網(wǎng)站的網(wǎng)絡(luò)結(jié)構(gòu)等。在線旅游者行為研究中最受關(guān)注的是消費行為研究，如消費影響因素與滿意度［125］、忠誠度與推薦行為［126］、在線分享行為［127］。隨著社會網(wǎng)絡(luò)的形成，在線旅游者的情緒研究得到關(guān)注，如通過旅游者在論壇、博客(微博)上的評論分析旅游者情緒［3，108，128］，相關(guān)方法包含內(nèi)容分析［3］、統(tǒng)計與語言學(xué)分析［128］、人工神經(jīng)網(wǎng)絡(luò)方法［108］以及數(shù)據(jù)挖掘技術(shù)［127］等。一項研究還將旅游者的博客進(jìn)行了計算機可視化，用來輔助其他旅游者的旅行計劃［129］。此外，旅游目的地營銷組織網(wǎng)站的旅游者在線行為也受到研究者的關(guān)注［101］。目的地地理尺度的旅游網(wǎng)站空間結(jié)構(gòu)也受到研究者的關(guān)注，主要包含方法研究與案例研究。方法研究有統(tǒng)計方法［130］以及網(wǎng)絡(luò)拓?fù)鋱D方法［131－133］等;案例包含歐洲［131］、意大利厄爾巴島［132］以及河北?。?34］等。旅游虛擬社區(qū)是社會信息化背景下形成的新型社區(qū)，部分旅游研究者對其給予了關(guān)注，如針對具有中國文化背景的芒果社區(qū)網(wǎng)(Mango)的綜合性研究［135］。社會信息化下的旅游研究方法包含兩個方面的含義。一是指傳統(tǒng)旅游研究方法可借助社會信息化背景進(jìn)行擴展，如網(wǎng)絡(luò)調(diào)查方法［1，136］擴展了傳統(tǒng)現(xiàn)場發(fā)放問卷的調(diào)查方法;基于射頻識別(RFID)與全球定位系統(tǒng)(GPS)技術(shù)的追蹤系統(tǒng)擴展了傳統(tǒng)旅游者游憩行為問卷調(diào)查方法，并提高了數(shù)據(jù)的精度［137，138］;遙感與地理信息系統(tǒng)(RS＆GIS)技術(shù)可提高旅游資源監(jiān)測的準(zhǔn)確性［139］等。二是指旅游研究方法對于信息科學(xué)方法與技術(shù)的借鑒。人工智能是旅游研究中采用最多的信息科學(xué)方法與技術(shù)，其在旅游研究中的應(yīng)用可以分為以下幾個方面:①需求預(yù)測，如基于人工神經(jīng)網(wǎng)絡(luò)的西班牙巴利亞利群島旅游時間序列預(yù)測［5］、遺傳算法在旅游需求預(yù)測中的應(yīng)用［140］、模糊時間序列及灰色理論在短時間序列旅游需求預(yù)測中的應(yīng)用［141］以及人工智能方法與其他預(yù)測方法的比較［142］;②在線行為分析，如基于機器學(xué)習(xí)(machinelearning)的在線消費者行為數(shù)據(jù)挖掘［127］;③基于主體(agent)的旅游系統(tǒng)仿真研究，采用人工智能研究領(lǐng)域的重要分支———多主體系統(tǒng)(multi-agentsystem，MAS)對多層面、多地理尺度旅游系統(tǒng)進(jìn)行計算機仿真，探索旅游主體之間的相互作用與規(guī)律，如基于多主體的旅游空間結(jié)構(gòu)演化研究［143］、旅游者在目的地［144］以及景區(qū)范圍的動態(tài)性研究［6］。計算機仿真方法與技術(shù)在旅游研究中的應(yīng)用也受到了旅游研究者的關(guān)注，具體研究包含以下幾個方面:①預(yù)測，如旅游收入預(yù)測［145］;②旅游經(jīng)濟研究，如區(qū)域旅游經(jīng)濟系統(tǒng)動力學(xué)分析［146］;③旅游主體行為研究，如上述人工智能研究中基于主體的旅游系統(tǒng)仿真研究［6，143，144］。地理信息系統(tǒng)(GIS)是信息科學(xué)與地理科學(xué)的交叉研究領(lǐng)域，作為旅游研究的一種研究方法或工具，主要被用于旅游資源評價［147，148］。隨著移動終端設(shè)備在旅游者中的普及，旅游研究者對移動應(yīng)用的相關(guān)研究給予了較大關(guān)注，如上下文適應(yīng)的移動應(yīng)用體系框架設(shè)計［149］、上下文相關(guān)的信息推動服務(wù)系統(tǒng)設(shè)計［150］以及用于博物館導(dǎo)游的多媒體技術(shù)研究［151］。語義網(wǎng)與本體是信息科學(xué)的前沿領(lǐng)域，但由于其對于提升面向旅游者的網(wǎng)絡(luò)服務(wù)質(zhì)量具有非常重要的作用，也受到了旅游研究者的關(guān)注，如用于搜索引擎的旅游域語義表示研究［152］。智能系統(tǒng)作為信息科學(xué)的前沿領(lǐng)域，在旅游研究中也受到了關(guān)注，除了綜述性研究外［153］，還出現(xiàn)了有關(guān)智能系統(tǒng)設(shè)計方面的研究［154］。應(yīng)用系統(tǒng)的規(guī)劃建議與系統(tǒng)結(jié)構(gòu)設(shè)計是旅游研究者較為關(guān)注的信息技術(shù)研究，如基于知識管理視角的目的地管理系統(tǒng)設(shè)計［155］。而其中以我國的相關(guān)研究為最多，如贛東北網(wǎng)絡(luò)旅游信息系統(tǒng)研究［23］、上饒市旅游資源信息系統(tǒng)［156］。數(shù)字旅游是一種典型的旅游與信息技術(shù)的綜合叉研究主題，在我國旅游研究領(lǐng)域受到了關(guān)注，既包含了偏重技術(shù)的研究，如數(shù)字旅游的體系框架［157］，也包含了圍繞數(shù)字旅游系統(tǒng)建設(shè)的保障體系研究，如相關(guān)政策法規(guī)方面的研究［158］。

問題3:信息科學(xué)與旅游的交叉研究有哪些趨勢?盡管信息科學(xué)與旅游的交叉研究在近12年間經(jīng)歷了快速發(fā)展，但其仍然屬于新興交叉學(xué)科，其發(fā)展需要相關(guān)學(xué)者更為廣泛與深入的探索研究。在本節(jié)，筆者在對最近12年信息科學(xué)與旅游的交叉研究進(jìn)行系統(tǒng)整理的基礎(chǔ)上，通過捕捉旅游類與信息類研究共同關(guān)注的研究主題(表4)，以及基于筆者對信息科學(xué)以及旅游研究趨勢的把握，找到信息科學(xué)與旅游交叉研究中的研究重點，其反映了兩類科學(xué)的交叉發(fā)展趨勢，或者研究者們重新認(rèn)識某些對該交叉領(lǐng)域的發(fā)展來講非常重要的問題。以下分別對它們進(jìn)行闡述:人工智能方法與技術(shù)是信息技術(shù)發(fā)展的高級階段，研究如何應(yīng)用計算機的軟硬件來模擬人類某些智能行為的基本理論、方法和技術(shù)，涉及知識表示、自動推理和搜索方法、機器學(xué)習(xí)和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設(shè)計等方面的研究內(nèi)容。盡管目前人工智能在旅游中的應(yīng)用以旅游需求預(yù)測最為成熟，然而其相關(guān)理論、方法與技術(shù)并沒有在旅游領(lǐng)域中得到充分應(yīng)用。如何充分利用人工智能方法與技術(shù)來有效處理與使用旅游數(shù)據(jù)、信息與知識，深入挖掘旅游者、旅游公共管理與服務(wù)部門以及旅游企業(yè)的特征、存在的問題并進(jìn)行決策支持，是信息科學(xué)與旅游科學(xué)交叉研究中較為迫切與前沿的問題。語義網(wǎng)與本體研究是信息科學(xué)領(lǐng)域的前沿領(lǐng)域，是海量網(wǎng)絡(luò)信息之間相互理解的基礎(chǔ)?；ヂ?lián)網(wǎng)的發(fā)展使得傳統(tǒng)面向旅游者的“線下”服務(wù)擴展至“線上”，包含以傳統(tǒng)計算機為中心的和以新興各種移動終端為中心的“線上”服務(wù)，“線上”服務(wù)質(zhì)量對于信息時代的旅游者體驗是非常重要的。基于語義網(wǎng)與本體技術(shù)的旅游推薦系統(tǒng)正是提升網(wǎng)絡(luò)服務(wù)質(zhì)量的有效方法與工具，如何將語義網(wǎng)、本體技術(shù)以及旅游推薦系統(tǒng)進(jìn)行理論、方法以及應(yīng)用上的有效集成，使其對旅游者具有實際應(yīng)用價值，是信息科學(xué)與旅游科學(xué)交叉研究中的另一個前沿問題。普適計算是我國目前形成研究熱點的物聯(lián)網(wǎng)應(yīng)用的基礎(chǔ)。隨著移動終端設(shè)備及其應(yīng)用的發(fā)展，傳統(tǒng)以計算機為中心的網(wǎng)絡(luò)服務(wù)擴展至以移動終端—旅游者為中心，基于普適計算模式的連接物與物、人與物、人與人的物聯(lián)網(wǎng)以及各種移動應(yīng)用系統(tǒng)在旅游研究與實際應(yīng)用中得到了重視。然而，無論是普適計算還是物聯(lián)網(wǎng)，在信息科學(xué)研究中都是前沿領(lǐng)域，存在許多未解問題，因此，普適計算以旅游領(lǐng)域為問題域或典型應(yīng)用，將同時有助于其本身以及旅游問題的解決。

篇3

〔關(guān)鍵詞〕知識圖譜；專家系統(tǒng)；發(fā)展軌跡

DOI：10．3969／j．issn．1008－0821．2012．02．040

〔中圖分類號〕G250.71 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008－0821（2012）02－0159－08

Knowledge-based Expert System Development Overview MapLiao Yi

（Political Department，National University of Defense Technology，Changsha 410073，China）

〔Abstract〕Artificial intelligence expert system is the most important and most active areas of an application,which implements the artificial intelligence research from theory to practice,turning from the general reasoning strategies of a major breakthrough in the use of expertise.This chronological order,the expert system into the 1980s before the 1980s,1990s,2000,after four stages.Articles using bibliometric methods,analysis of the expert system development process,development and trends,pointing out that the current phase is the development of expert systems,expert systems into a variety of commercial operation,need to address the knowledge acquisition bottleneck,matching conflicts and other issues for expert systems to understand and master the subject structure,evolution,development and so provide an unique perspective and knowledge.

〔Key words〕knowledge maps;expert systems;the development trajectory

專家系統(tǒng)作為人工智能的一個重要分支，發(fā)展已經(jīng)超過50年，在很多應(yīng)用領(lǐng)域都獲得了廣泛使用，取得了豐碩成果。本文運用文獻(xiàn)計量這一獨特視角對專家系統(tǒng)進(jìn)行了再回顧和再分析，將智能科技劃分為初創(chuàng)期、成長期、低谷期、發(fā)展期，利用詞頻分析、共引分析、作者共現(xiàn)分析等方法揭示專家系統(tǒng)的學(xué)科結(jié)構(gòu)、影響程度、關(guān)鍵節(jié)點與時間點等重要而獨特的知識，為了解和掌握專家系統(tǒng)的發(fā)展與演化過程提供了獨特視角。

1 數(shù)據(jù)來源

SCI（Science Citation Index）是美國科學(xué)情報研究所ISI（Institute for Science Information）出版的期刊文獻(xiàn)檢索工具，所收錄的文獻(xiàn)覆蓋了全世界最重要和最有影響力的研究成果，成為世界公認(rèn)的自然科學(xué)領(lǐng)域最為重要的評價工具。本文以Web of Science中的SCI數(shù)據(jù)庫為數(shù)據(jù)來源，選用高級檢索方式，以“Expert System/Experts System”作為主題詞，于2011年5月在Web of Secience中進(jìn)行檢索，一共檢索到14 500篇相關(guān)文獻(xiàn)記錄。獲得的年度分布如圖1。所示。雖然，專家系統(tǒng)研究從20世紀(jì)五六十年代就開始了，但是從圖1可以看出直到1982年才有主題詞與專家系統(tǒng)相關(guān)的論文出現(xiàn)。圖1表明1991年左右，專家系統(tǒng)相關(guān)論文達(dá)到了峰值，但隨后呈逐年下降的趨勢。到1999年，只有494篇。但21世紀(jì)開始，專家系統(tǒng)相關(guān)論文又出現(xiàn)了增加的趨勢，并維持在一個穩(wěn)定的水平中。圖1 專家系統(tǒng)在SCI數(shù)據(jù)庫文獻(xiàn)發(fā)表年度變化情況

2012年2月第32卷第2期基于知識圖譜的專家系統(tǒng)發(fā)展綜述Feb.，2012Vol.32 No.22 專家系統(tǒng)前40年的發(fā)展

本文利用基于JAVA平臺的引文分析可視化軟件Citespace，首先設(shè)定時間跨度為1950-1991年，時間切片長度為1年，聚類方式為共被引聚類（Cited Reference），閾值選擇為（2，2，20）、（3，3，20）、（3，3，20）。Citespace得出這些引文的時間跨度為1950－1990年，可以繪制出該時間段的專家系統(tǒng)論文時區(qū)分布圖，如圖2所示。我們以年代先后為序，將20世紀(jì)80年代以前作為第一階段，80年代至90年代作為第二階段。圖2 1950-1991年各年度專家系統(tǒng)論文之間的時區(qū)分布圖

2.1 專家系統(tǒng)起源時期

根據(jù)圖2顯示，這段時期有7個突出節(jié)點，既有7位代表人物。第一個節(jié)點代表的是“人工智能之父”――英國著名科學(xué)家阿蘭?麥席森?圖靈（Alan Mathison Turing），他于1950年在《心靈》雜志上《計算機器與智能》，提出了著名的“圖靈測試”，探討了機器智能的可能性，為后來的人工智能科學(xué)提供了開創(chuàng)性的構(gòu)思［1］。

第二個節(jié)點代表的是美國工程院院士、加州大學(xué)扎德（LA.Zadeh）教授，他于1965年在《信息與控制》雜志第8期上發(fā)表題為《模糊集》的論文，提出模糊集合理論，給出了模糊性現(xiàn)象定量描述和分析運算的方法，從而誕生了模糊數(shù)學(xué)。1978年，扎德教授提出了“可能性理論”，將不確定性理解為可能性，為模糊集理論建立了一個實際應(yīng)用上的理論框架，這也被認(rèn)為是模糊數(shù)學(xué)發(fā)展的第二個里程碑。同年，國際性期刊《International Journal of Fuzzy Sets and System》誕生，這使得模糊理論得到普遍承認(rèn)，理論研究高速發(fā)展，實際應(yīng)用迅速推廣。

第三個節(jié)點代表的美國兩院院士、卡內(nèi)基-梅隆大學(xué)教授艾倫?紐厄爾（Allen Newell），1972年，他出版了《人怎樣解題》（Human Problem Solving)一書，書中描述了他和西蒙試圖建立一個計算機化的“通用問題求解器”的歷程：20世紀(jì)50年代，他們發(fā)現(xiàn)，人類的問題解決，在一定知識領(lǐng)域內(nèi)可以通過計算機實現(xiàn)，所以他們開始用計算機編程來解決問題，1956年，他們研發(fā)出了邏輯理論家和通用問題求解器（General Problem Solver），并建立了符號主義人工智能學(xué)派。我們可以看出，這本書是對他以前所作工作的總結(jié)與歸納，而邏輯理論家和通用問題求解器正是專家系統(tǒng)的雛形，為專家系統(tǒng)的出現(xiàn)奠定了堅實的基礎(chǔ)。

但是艾倫?紐厄爾的嘗試無法解決大的實際問題，也很難把實際問題改造成適合于計算機解決的形式，并且對于解題所需的巨大搜索空間也難于處理。為此，美國國家工程院院士、斯坦福大學(xué)教授費根鮑姆（E.A.Feigenbaum）等人在總結(jié)通用問題求解系統(tǒng)成功與失敗的經(jīng)驗基礎(chǔ)上，結(jié)合化學(xué)領(lǐng)域的專門知識，于1965年研制了世界上第一個專家系統(tǒng)dendral，可以推斷化學(xué)分子結(jié)構(gòu)。專家系統(tǒng)進(jìn)入了初創(chuàng)期，其代表有dendral、macsyma（數(shù)學(xué)專家系統(tǒng)）等，第一代專家系統(tǒng)以高度專業(yè)化、求解專門問題的能力強為特點，向人們展示了人工智能應(yīng)用的廣闊前景［2］。

第四個節(jié)點代表人物是美國麻省理工學(xué)院著名的人工智能學(xué)者明斯基（Minsky）。1975年，他在論文《表示知識的框架》(A Framework for Representating Knowledge，McGraw-Hill)中提出了框架理論，框架理論的核心是以框架這種形式來表示知識。理論提出后，在人工智能界引起了極大的反響，并成為了基于框架的專家系統(tǒng)的理論基礎(chǔ)，基于框架的專家系統(tǒng)適合于具有固定格式的事物、動作或事件。

第五個節(jié)點代表人物是美國普林斯頓大學(xué)教授格倫謝弗（Glenn Shafer），他在1976年出版了《數(shù)學(xué)理論的證據(jù)》（A mathematical theory of evidence）一書，介紹了由他和Dempster于1967年提出的D-S理論（即證據(jù)理論）。證據(jù)理論可處理由不知道因素引起的不確定性，后來，該理論被廣泛應(yīng)用于計算機科學(xué)和工程應(yīng)用，是基于D-S證據(jù)理論的專家系統(tǒng)的理論基礎(chǔ)。

第六個重要節(jié)點代表是美國斯坦福大學(xué)愛德華?漢斯?肖特利夫（Shortliff EH）教授，他于1975年在著名雜志《數(shù)學(xué)生物科學(xué)》上發(fā)表《A model of inexact reasoning in medicine》（《在醫(yī)學(xué)模型的不精確推理》）一文，他結(jié)合自己1972－1974年研制的世界第一個醫(yī)學(xué)專家系統(tǒng)――MYCIN系統(tǒng)（用于診斷和治療血液感染及腦炎感染，是第二代專家系統(tǒng)的經(jīng)典之作），提出了確定性理論，該理論對專家系統(tǒng)的發(fā)展產(chǎn)生了重大影響。

第七個節(jié)點代表人物是美國麻省理工學(xué)院計算機科學(xué)和人工智能實驗室的戴維斯（Randall Davis）教授，他于1976年提出元知識的概念，并在專家系統(tǒng)的研制工具開發(fā)方面做出了突出貢獻(xiàn)――研制出知識獲取工具Teiresias，為專家系統(tǒng)獲取知識實現(xiàn)過程中知識庫的修改和添加提供了工具［3］，關(guān)Teiresias，他于1977年在《Artificial Intelligence》雜志上中進(jìn)行了詳細(xì)介紹，而這也為本時期專家系統(tǒng)的快速增多和廣泛應(yīng)用奠定了堅實基礎(chǔ)。

20世紀(jì)70年代后期，隨著專家系統(tǒng)應(yīng)用領(lǐng)域的不斷開拓，專家系統(tǒng)研發(fā)技術(shù)逐漸走向成熟。但同時，專家系統(tǒng)本身存在的應(yīng)用領(lǐng)域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一等問題也被逐漸暴露出來。人們從各種不同類型的專家系統(tǒng)和知識處理系統(tǒng)中抽取共性，人工智能又從具體研究逐漸回到一般研究。圍繞知識這一核心問題，人們重新對人工智能的原理和方法進(jìn)行探索，并在知識的獲取、表示以及知識在推理過程中的利用等方面開始出現(xiàn)一組新的原理、工具和技術(shù)。

2.2 專家系統(tǒng)發(fā)展的黃金時期

20世紀(jì)80年代是專家系統(tǒng)突飛猛進(jìn)、迅速發(fā)展的黃金時代，根據(jù)圖2顯示，這段時期共有論文982篇，有7個突出節(jié)點。

1980年，出現(xiàn)了第一個節(jié)點代表――美國斯坦福大學(xué)計算機科學(xué)系系主任尼爾森（NILS J.NILSSON），他出版的《人工智能原理》（《Principles of artificial intelligence》）一書，表明了拉近理論和實踐的距離的目標(biāo)，書中對基于規(guī)則的專家系統(tǒng)、機器問題解決系統(tǒng)以及結(jié)構(gòu)對象的代表等都進(jìn)行了具體的論述。

1981年，出現(xiàn)了第二個節(jié)點代表――英國赫特福德大學(xué)教授Clocksin，威廉F，他出版的《PROLOG語言編程》一書，引起了計算機科學(xué)界的極大興趣，并已被證明是一個重要的編程語言和人工智能系統(tǒng)的新一代基礎(chǔ)，是專家系統(tǒng)的重要編程語言。

1982年，出現(xiàn)了第三個節(jié)點代表――美國匹茲堡大學(xué)教授米勒（Miller RA），他在《英格蘭醫(yī)藥分冊》上發(fā)表了《基于計算機的醫(yī)學(xué)內(nèi)科實驗診斷顧問》（An Experimental Computer based Diagnostic Consultant for General Internal Medicine.N Engl J Med,307,468-76,1982）一文，屬當(dāng)時診斷專家系統(tǒng)的代表力作，書中介紹了著名的內(nèi)科疾病診斷咨詢系統(tǒng)INTERNIST-1，之后將其不斷完善成改進(jìn)型INTERNIST-2，即后來的CADUCEUS專家系統(tǒng)，其知識庫中包含了572種疾病，約4 500種癥狀。

1983年，出現(xiàn)了第四個節(jié)點代表――美國的海斯羅斯（Hayes-Roth，F(xiàn)）教授，他于1983年發(fā)表著作《建立專家系統(tǒng)》，對專家系統(tǒng)建立的原則和要素、開發(fā)的生命周期等重要問題進(jìn)行了詳細(xì)講解，為研究與開發(fā)各種類型的專家系統(tǒng)提供了理論依據(jù)。

1984年，出現(xiàn)了第五個節(jié)點代表――美國匹茲堡大學(xué)計算機科學(xué)、哲學(xué)和醫(yī)學(xué)教授布魯斯?布坎南（Bruce G.Buchanan），他于1984年發(fā)表著作《規(guī)則的專家系統(tǒng)：斯坦福啟發(fā)式編程項目Mycin實驗》（《Rule Based Expert Systems:The Mycin Experiments of the Stanford Heuristic Programming Project》，這是有史以來關(guān)于醫(yī)療診斷系統(tǒng)MYCIN的實驗規(guī)則庫公布?；谝?guī)則的專家系統(tǒng)MYCIN是專家系統(tǒng)開發(fā)過程中一個里程碑，研究其開發(fā)思路與方法具有非常重要的意義。

1985年，出現(xiàn)了第六個節(jié)點代表――美國人工智能專家、加州大學(xué)教授哈蒙（Harmon P），他出版了《專家系統(tǒng)：人工智能業(yè)務(wù)》（《Expert systems：artificial intelligence in business》）一書。書中闡述了專家系統(tǒng)如何解決問題，代表知識，并得出推論，并介紹了人工智能的具體制度，確定了專家系統(tǒng)的市場。

1986年，出現(xiàn)了第七個節(jié)點代表――著名的專家系統(tǒng)學(xué)者沃特曼（Waterman DA），他出版了《專家系統(tǒng)指南》一書，該書對專家系統(tǒng)的概念、組成、建立過程、建立工具、應(yīng)用領(lǐng)域等做了深入淺出的系統(tǒng)介紹與論述，是當(dāng)時全面介紹專家研發(fā)與應(yīng)用的經(jīng)典書籍。

20世紀(jì)80年代初，醫(yī)療專家系統(tǒng)占主流，主要原因是它屬于診斷類型系統(tǒng)且容易開發(fā)。80年代中期，出現(xiàn)大量投入商業(yè)化運行的專家系統(tǒng)，為各行業(yè)帶來了顯著的經(jīng)濟效益。從80年代后期開始，大量新技術(shù)成功運用到專家系統(tǒng)之中，使得專家系統(tǒng)得到更廣泛的運用。在這期間開發(fā)的專家系統(tǒng)按處理問題的類型可以分為：解釋型、預(yù)測型、診斷型、設(shè)計型等。應(yīng)用領(lǐng)域擴展到農(nóng)業(yè)、商業(yè)、化學(xué)、通信、醫(yī)學(xué)等多個方面，成為人們常用的解決問題的手段之一。

然而，與此同時，現(xiàn)有的專家系統(tǒng)也暴露出了自身嚴(yán)重的缺陷，使不少計算機界的知名學(xué)者對專家系統(tǒng)產(chǎn)生了懷疑，認(rèn)為專家系統(tǒng)存在的問題有以下幾點：（1）專家系統(tǒng)中的知識多限于經(jīng)驗知識，極少有原理性的知識，系統(tǒng)沒有應(yīng)用它們的能力；（2）知識獲取功能非常弱。為了建造專家系統(tǒng)，必須依賴于專家獲取知識， 不僅費時， 而且很難獲取完備性和一致性的知識；（3）求解問題的方法比較單一，以推理機為核心的對問題的求解尚不能反映專家從認(rèn)識問題到解決問題的創(chuàng)造性過程；（4）解釋功能不強［4］。等到學(xué)者們回過頭重新審視時，20世紀(jì)90年代的專家系統(tǒng)理論危機已然爆發(fā)。

3 90年代專家系統(tǒng)向多個方向發(fā)展

由于20世紀(jì)80年代專家系統(tǒng)研究迅猛發(fā)展，商業(yè)價值被各行各業(yè)看好，導(dǎo)致90年代大批專家系統(tǒng)從實驗室走出來，開始了它們的工程化市場化進(jìn)程。從圖1看以看出，在20世紀(jì)90年代，專家系統(tǒng)的相關(guān)論文不增反減，進(jìn)入一個局部低谷期，這期間以“Expert System/Experts System”為主題詞的論文共7 547篇。本文利用Citespace軟件，設(shè)置參數(shù)為（4，4，20）（4，3，20）（4，4，20），獲取了該時期論文的引文聚類圖（如圖3所示）。圖2 專家系統(tǒng)1990－2000年的論文引文聚類圖

從圖3中我們可以看出，全圖的節(jié)點比較分散，沒有形成大的聚類，這表示該階段沒有形成重點研究方向，也沒有重大科研成果和標(biāo)志性著作產(chǎn)生，專家系統(tǒng)的市場化進(jìn)程嚴(yán)重牽引了研究者們的注意力，這是專家系統(tǒng)研究陷入低谷期的重要原因。

這段時間專家系統(tǒng)的研究工作大致分以下幾個方面：第一個研究方向依舊是建立在扎德（LA.Zadeh）教授模糊理論上的模糊專家系統(tǒng)，它同樣是該年代專家系統(tǒng)研究的重點方向。

第二個研究方向是骨架專家系統(tǒng)，代表人物有美國斯坦福大學(xué)的愛德華?漢斯?肖特利夫（Shortliff EH）教授。1974年末，MYCIN系統(tǒng)基本建成后，MYCIN的設(shè)計者們就想到用其它領(lǐng)域的知識替換關(guān)于感染病學(xué)的知識，可能會得到一個新的專家系統(tǒng)，這種想法導(dǎo)致了EMYCIN骨架系統(tǒng)的產(chǎn)生。EMYCIN的出現(xiàn)大大縮短了專家系統(tǒng)的研制周期，隨后，AGE、OPS5、KEE、KBMS、GESDE等骨架系統(tǒng)應(yīng)運而生，它們在20世紀(jì)90年代專家系統(tǒng)的研究進(jìn)程中，發(fā)揮著重要作用。

第三個研究方向是故障診斷專家系統(tǒng)，代表人物有美國麻省理工學(xué)院的蘭德爾?戴維斯（Randall Davis）教授。他于1984年在《人工智能》雜志上發(fā)表了《基于結(jié)構(gòu)和行為的診斷推理 》（《Diagnostic Reasoning Based on Structure and Behavior》）一文，該論文描述了一個利用知識結(jié)構(gòu)和行為，在電子電路領(lǐng)域進(jìn)行故障診斷排除的專家系統(tǒng)。之后，故障診斷專家系統(tǒng)在電路與數(shù)字電子設(shè)備、機電設(shè)備等各個領(lǐng)域已取得了令人矚目的成就，已成為當(dāng)今世界研究的熱點之一。

第四個研究方向是基于規(guī)則的專家系統(tǒng)，布魯斯?布坎南（Bruce G.Buchanan）的著作對基于規(guī)則的專家系統(tǒng)在這個時期的發(fā)展仍有著積極的指導(dǎo)作用。多種基于規(guī)則的專家系統(tǒng)進(jìn)入了試驗階段。傳統(tǒng)基于規(guī)則的專家系統(tǒng)只是簡單的聲明性知識，而目前，規(guī)則的形式開始向產(chǎn)生式規(guī)則轉(zhuǎn)變，并趨向于提供較完善的知識庫建立和管理功能。

第五個研究方向是知識工程在專家系統(tǒng)中的運用。代表人物是美國斯坦福大學(xué)的克蘭西教授（Clancy W J），他于1985年在《人工智能》雜志上發(fā)表了重要論文《啟發(fā)式分類》（《Heuristis classification》），啟發(fā)式分類即對未知領(lǐng)域情況的類的識別過程。它是人類思維解決問題的重要方法，在人工智能、專家系統(tǒng)中可常用啟發(fā)式設(shè)計計算機程序，模擬人類解決問題的思維活動。

第六個研究方向是機器學(xué)習(xí)在專家系統(tǒng)中的運用。代表人物是機器學(xué)習(xí)領(lǐng)域前輩、澳洲悉尼大學(xué)著名教授John Ross Quinlan。他于1986年在《機器學(xué)習(xí)》（《Mach.Learn》）雜志上發(fā)表《決策樹算法》（《Induction of Decision Trees》）一文，文中他詳細(xì)描述了決策樹算法的代表――ID3算法。之后，有大量學(xué)者圍繞該算法進(jìn)行了廣泛的研究，并提出多種改進(jìn)算法，由于決策樹的各類算法各有優(yōu)缺點，在專家系統(tǒng)的實際應(yīng)用中，必須根據(jù)數(shù)據(jù)類型的特點及數(shù)據(jù)集的大小，選擇合適的算法。

第七個研究方向是神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，代表人物有人工智能專家Stephan I.Gallant和美國加利福尼業(yè)大學(xué)教授巴特?卡斯科（Bart Kosko）。Gallant于1988年在《ACM的通信》上發(fā)表了《連接主義專家系統(tǒng)》（《Connectionist expert systems》）一文，文中講述Gallant 設(shè)計了一個連接主義專家系統(tǒng)（Connectionist expert system），其知識庫是由一個神經(jīng)網(wǎng)絡(luò)實現(xiàn)的（即神經(jīng)網(wǎng)絡(luò)知識獲?。_創(chuàng)了神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的先例。

第八個研究方向是遺傳算法在專家系統(tǒng)中的運用。代表人物是遺傳算法領(lǐng)域著名學(xué)者、美國伊利諾伊大學(xué)David Goldberg教授和人工智能專家L.Davis。1989年，Goldberg出版了專著《搜索、優(yōu)化和機器學(xué)習(xí)中的遺傳算法》，該書系統(tǒng)總結(jié)了遺傳算法的主要研究成果，全面而完整地論述了遺傳算法的基本原理及其應(yīng)用；1991年，Davis編輯出版了《遺傳算法手冊》，書中包含了遺傳算法在科學(xué)計算、工程技術(shù)和社會經(jīng)濟中的大量應(yīng)用實例，該書為推廣和普及遺傳算法的應(yīng)用起到了重要的指導(dǎo)作用。這些都推動了基于遺傳算法的專家系統(tǒng)的研發(fā)推廣。

第九個研究方向是決策支持系統(tǒng)在專家系統(tǒng)中的運用，代表人物是美國加利福尼亞大學(xué)伯克利分校教授埃弗雷姆?特班（Efraim Turban）。他于1990年出版了《決策支持和專家系統(tǒng)的管理支持系統(tǒng)》（《Decision support and expert systems:management support systems》）一書。20世紀(jì)80年代末90年代初，決策支持系統(tǒng)開始與專家系統(tǒng)相結(jié)合，形成智能決策支持系統(tǒng)，該系統(tǒng)充分做到了定性分析和定量分析的有機結(jié)合，將解決問題的范圍和能力提高到一個新的層次。

第十個研究方向是各種理論知識在專家系統(tǒng)中的綜合運用，代表人物是美國加利福尼業(yè)大學(xué)教授巴特?卡斯科（Bart Kosko）和美國伊利諾伊州研究所教授Abdul-Rahman K.H。卡斯科（Kosko）于1992年出版《神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)：一個擁有機器智能的動力系統(tǒng)方法》（《Neural networks and fuzzy systems:a dynamical systems approach to machine intelligence》）一書，這是第一本將神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來的讀本，也是神經(jīng)網(wǎng)絡(luò)與模糊理論綜合應(yīng)用于專家系統(tǒng)建設(shè)的經(jīng)典著作；Abdul-Rahman K.H教授于1995年，在美國電氣和電子工程師協(xié)會的《電力系統(tǒng)及自動化》（《Transactions on Power Systems》）會議刊上發(fā)表了《人工智能模糊無功負(fù)荷的最優(yōu)VAR控制方法 》（《AI approach to optimal VAR control with fuzzy reactive loads》）一文，論文提出了一個解決無功功率（VAR）控制問題，這個方法包含了專家系統(tǒng)、模糊集理論和人工神經(jīng)網(wǎng)絡(luò)的重要知識。

雖然專家系統(tǒng)大量建造，但投入實際運行的專家系統(tǒng)并不多，且效率較低，問題求解能力有待進(jìn)一步提高。原因之一就是專家系統(tǒng)主要是模擬某一領(lǐng)域中求解特定問題的專家的能力，而在模擬人類專家協(xié)作求解方面很少或幾乎沒有做什么工作。然而在現(xiàn)實世界中，協(xié)作求解具有普遍性，針對特定領(lǐng)域、特定問題的求解僅僅具有特殊性，專家系統(tǒng)雖然在模擬人類專家某一特定領(lǐng)域知識方面取得了成功，但它仍然不能或難以解決現(xiàn)實世界中的問題。其次，開發(fā)的專家系統(tǒng)的規(guī)模越來越大，并且十分復(fù)雜。這樣就要求將大型專家系統(tǒng)的開發(fā)變成若干小的、相對獨立的專家系統(tǒng)來開發(fā)，而且需要將許多不同領(lǐng)域的專家系統(tǒng)聯(lián)合起來進(jìn)行協(xié)作求解。然而，與此相關(guān)的分布式人工智能理論和實用技術(shù)尚處在科研階段。只有分布式系統(tǒng)協(xié)作求解問題得以解決，才能克服由于單個專家系統(tǒng)知識的有限性和問題求解方法的單一性等導(dǎo)致系統(tǒng)的“脆弱性”，也才能提高系統(tǒng)的可靠性，并且在靈活性、并行性、速度等方面帶來明顯的效益［5］。

4 21世紀(jì)專家系統(tǒng)進(jìn)入穩(wěn)定發(fā)展時期

進(jìn)入21世紀(jì)，專家系統(tǒng)開始緩慢發(fā)展，這期間以“Expert System/Experts System”為主題詞的論文共5 964篇。本文利用Citespace軟件，設(shè)置參數(shù)為（6，6，20）（5，5，20）（5，5，20），獲取了該時期論文的引文聚類圖（如圖4所示）。圖4 專家系統(tǒng)2000－2010年的論文引文聚類圖

這個時期專家系統(tǒng)有3個主要研究方向：第一個是研究方向是節(jié)點明顯的基于模糊邏輯的專家系統(tǒng)研究方向。90年代以來，模糊控制與專家系統(tǒng)技術(shù)相結(jié)合，進(jìn)一步提高了模糊控制器的智能水平?；谀：壿嫷膶＜蚁到y(tǒng)有以下優(yōu)點：一是具有專家水平的專門知識，能表現(xiàn)專家技能和高度的技巧以及有足夠的魯棒性（即健壯性）；二是能進(jìn)行有效的推理，能夠運用人類專家的經(jīng)驗和知識進(jìn)行啟發(fā)性的搜索和試探性的推理；三是具有靈活性和透明性。

第二個是研究方向是Rete模式匹配算法在專家系統(tǒng)中的應(yīng)用，代表人物是美國卡內(nèi)基―梅隆大學(xué)計算機科學(xué)系的Charles L.Forgy教授，1979年，他首次提出Rete算法。專家系統(tǒng)工具中一個核心部分是推理機，Rete算法能利用推理機的“時間冗余”特性和規(guī)則結(jié)構(gòu)的相似性，并通過保存中間運算結(jié)果的方法來提高推理的效率。1982年，他在《人工智能》雜志上發(fā)表《Rete算法：許多模式／多對象的模式匹配問題的一個快速算法》（《Rete:A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem》）一文，該文解釋了基本算法的概念，介紹了詳細(xì)的算法，描述了模式和適當(dāng)?shù)膶ο蠼簧嫠惴?，并說明了模式匹配的執(zhí)行操作。

第三個是研究方向是專家系統(tǒng)在電力系統(tǒng)中的運用。世界各國的專家們開始熱衷于在電力生產(chǎn)的各個環(huán)節(jié)使用專家系統(tǒng)，代表人物有日本的福井賢、T.Sakaguchi、印度的Srinivasan D、美國伊利諾伊州研究所的Abdul-Rahman K.H、希臘雅典國立技術(shù)大學(xué)的Protopapas C.A、和中國的羅旭，他們在美國電氣和電子工程師協(xié)會的《電力傳輸》（《IEEE transactions on power delivery）會議刊及《電源設(shè)備系統(tǒng)》會議刊（《On Power Apparatus and Systems》）上發(fā)表了多篇有影響力的論文，內(nèi)容涉及系統(tǒng)恢復(fù)、電力需求預(yù)測、變電站故障診斷和報警處理等多方面。

這十年間，專家系統(tǒng)的研究不再滿足于用現(xiàn)有各種模型與專家系統(tǒng)進(jìn)行簡單結(jié)合，形成基于某種模型的專家系統(tǒng)的固有模式。研究者們不斷探索更方便、更有效的方法，來解決困擾專家系統(tǒng)的知識獲取瓶頸、匹配沖突、組合爆炸等問題，而這也推動了研究不斷向深層次、新方向發(fā)展。但是，由于專家系統(tǒng)應(yīng)用的時間長、領(lǐng)域廣，他們遭遇的瓶頸問題一時得不到有效解決，導(dǎo)致了這一時期末，專家系統(tǒng)研究呈現(xiàn)出暫時的下滑現(xiàn)象。

5 專家系統(tǒng)發(fā)展趨勢分析

圖一發(fā)展曲線上第二個時間節(jié)點是1992年，從該年起專家系統(tǒng)相關(guān)論文呈下降趨勢，然后在2002年又開始緩慢增長，近一年多來又開始下降，這標(biāo)志著專家系統(tǒng)研究在布滿荊棘的道路上前行，前景是光明的，但道路是曲折的。本文以5年為一個單位，統(tǒng)計了1990－2009年20年期間專家系統(tǒng)相關(guān)論文中高頻詞的變化情況，如表1所示，從該表可以獲得這個時期專家系統(tǒng)研究的一些特點。

（1）在1990-1999年期間，人工智能出現(xiàn)新的研究，由于網(wǎng)絡(luò)技術(shù)特別是國際互連網(wǎng)技術(shù)發(fā)展，人工智能開始由單個智能主體研究轉(zhuǎn)向基于網(wǎng)絡(luò)環(huán)境下的分布式人工智能研究，使人工智能更加實用，這給專家系統(tǒng)帶來了發(fā)展的希望。正因為如此，我們從詞頻上可以看出，人工智能（artificial intelligence）一詞在這十年一直位居前兩位，在專家系統(tǒng)研究中處于主導(dǎo)地位，而與其相關(guān)的知識表示（knowledge representation）、知識獲取(knowledge acquisition)等，也成為了學(xué)者們研究的重點方向。

（2）該時期的第二個特點是神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇。神經(jīng)網(wǎng)絡(luò)是通過模擬人腦的結(jié)構(gòu)和工作模式，使機器具有類似人類的智能，如機器學(xué)習(xí)、知識獲取、專家系統(tǒng)等。我們從詞頻上可以看出神經(jīng)網(wǎng)絡(luò)（neural network）一詞得以快速增長，1995年時位列第一，進(jìn)入21世紀(jì)也是穩(wěn)居第二位，神經(jīng)網(wǎng)絡(luò)很好地解決了專家系統(tǒng)中知識獲取的瓶頸問題，能使專家系統(tǒng)具有自學(xué)習(xí)能力，它的出現(xiàn)為專家系統(tǒng)提供了一種新的解決途徑［6］，同時也顯示出他獨有的生機與活力。

（3）該時期是模糊邏輯的發(fā)展時期。模糊理論發(fā)展至今已接近三十余年，應(yīng)用范圍非常廣泛，它與專家系統(tǒng)相結(jié)合，在故障診斷、自然語言處理、自動翻譯、地震預(yù)測、工業(yè)設(shè)計等方面取得了眾多成果。我們從詞頻上可以看出，模糊邏輯（fuzzy logic）一詞，除在1990－1994年期間位居第六位外，之后都位居前三甲，2000-2004年期間更是位列第一。模糊控制與專家系統(tǒng)技術(shù)相結(jié)合，進(jìn)一步提高了模糊控制器智能水平，這種控制方法既保持了基于規(guī)則的方法的價值和用模糊集處理帶來的靈活性，同時把專家系統(tǒng)技術(shù)的表達(dá)與利用知識的長處結(jié)合起來，能處理更廣泛的控制問題。

（4）故障診斷成為專家系統(tǒng)研究與應(yīng)用的又一重要領(lǐng)域。故障診斷專家系統(tǒng)的發(fā)展起始于20世紀(jì)70年代末,雖然時間不長,但在電路與數(shù)字電子設(shè)備、機電設(shè)備等各個領(lǐng)域已取得了令人矚目的成就,已成為當(dāng)今世界研究的熱點之一。這從高頻詞分布可以開出，故障診斷（fault diagnosis）從1995-1999年間的最后一位攀升至2005-2009年間的第一位，足見其強大的生命力。在專家系統(tǒng)己有較深厚基礎(chǔ)的國家中，機械、電子設(shè)備的故障診斷專家系統(tǒng)已基本完成了研究和試驗的階段，開始進(jìn)入廣泛應(yīng)用。

（5）遺傳算法的應(yīng)用逐漸增多。20世紀(jì)90年代，遺傳算法迎來了發(fā)展時期，無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但應(yīng)用領(lǐng)域擴大，而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高。進(jìn)入21世紀(jì)，遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴展到了許多更新、更工程化的應(yīng)用方面。這在高頻詞分布中可以看出，以2000作為臨界點，遺傳算法（genetic algorithms）從20世紀(jì)90年代的10名之后，到位于高頻詞前六強之中，充分反映出它發(fā)展的良好勢頭。

6 小 結(jié)

專家系統(tǒng)是20世紀(jì)下半葉發(fā)展起來的重大技術(shù)之一，它不僅是高技術(shù)的標(biāo)志，而且有著重大的經(jīng)濟效益。“知識工程之父”E.Feignbaum在對世界許多國家和地區(qū)的專家系統(tǒng)應(yīng)用情況進(jìn)行調(diào)查后指出：幾乎所有的ES都至少將人的工作效率提高10倍，有的能提高100倍，甚至300倍［7］。

專家系統(tǒng)技術(shù)能夠使專家的專長不受時間和空間的限制，以便推廣稀缺的專家知識和經(jīng)驗；同時，專家系統(tǒng)能促進(jìn)各領(lǐng)域的發(fā)展，是各領(lǐng)域?qū)＜覍I(yè)知識和經(jīng)驗的總結(jié)和提煉。

專家系統(tǒng)發(fā)展的近期目標(biāo)，是建造能用于代替人類高級腦力勞動的專家系統(tǒng)；遠(yuǎn)期目標(biāo)是探究人類智能和機器智能的基本原理，研究用自動機模擬人類的思維過程和智能行為，這幾乎涉及自然科學(xué)和社會科學(xué)的所有學(xué)科，遠(yuǎn)遠(yuǎn)超出了計算機科學(xué)的范疇。

隨著人工智能應(yīng)用方法的日漸成熟，專家系統(tǒng)的應(yīng)用領(lǐng)域也不斷擴大。有人類活動的地方，必將有智能技術(shù)包括專家系統(tǒng)的應(yīng)用，專家系統(tǒng)將成為21世紀(jì)人類進(jìn)行智能管理與決策的工具與助手。

參考文獻(xiàn)

［1］百度百科［EB］.http:∥baike.省略/view/2130.htm．

［2］黃可鳴.專家系統(tǒng)二十年［J］.計算機科學(xué)，1986，（4）：26-37.

［3］路耀華.思維模擬與知識工程［M］.北京：清華大學(xué)出版社，1997．

［4］趙致琢.專家系統(tǒng)研究［J］.貴州大學(xué)學(xué)報：自然科學(xué)版，1990，（6）：40-48.

［5］鄒光宇.專家系統(tǒng)發(fā)展現(xiàn)狀及其應(yīng)用前景［J］.電力勘測，1994，（3）：21-26.

篇4

一、機電一體化的產(chǎn)生與應(yīng)用

我國從20世紀(jì)80年代開始開展機電一體化研究和應(yīng)用。取得了一定成果，它的發(fā)展和進(jìn)步依賴并促進(jìn)相關(guān)技術(shù)的發(fā)展和進(jìn)步。機電一體化已成為一門有著自身體系的新型學(xué)科，隨著科學(xué)技術(shù)的不斷發(fā)展，還將被賦予新的內(nèi)容。

二、機電一體化的發(fā)展現(xiàn)狀

機電一體化的發(fā)展大體可以分為3個階段。20世紀(jì)60年代以前為第一階段，這一階段稱為初級階段。在這一時期，人們利用電子技術(shù)的初步成果來完善機械產(chǎn)品的性能。特別是在第二次世界大戰(zhàn)期間，戰(zhàn)爭刺激了機械產(chǎn)品與電子技術(shù)的結(jié)合，這些機電結(jié)合的軍用技術(shù)，戰(zhàn)后轉(zhuǎn)為民用，對戰(zhàn)后經(jīng)濟的恢復(fù)起了積極的作用。那時研制和開發(fā)從總體上看還處于自發(fā)狀態(tài)。由于當(dāng)時電子技術(shù)的發(fā)展尚未達(dá)到一定水平，機械技術(shù)與電子技術(shù)的結(jié)合還不可能廣泛和深入發(fā)展，已經(jīng)開發(fā)的產(chǎn)品也無法大量推廣。

篇5

關(guān)鍵詞:選煤;自動化;技術(shù);要求

中圖分類號:TD5 文獻(xiàn)標(biāo)識碼:B 文章編號:1009-9166(2010)020(C)-0108-01

一、概述

實現(xiàn)選煤廠綜合自動化是我國選煤工業(yè)發(fā)展的必然趨勢,隨著潔凈煤技術(shù)的研究,作為潔凈煤技術(shù)的源頭技術(shù)――選煤方法,取得了很大發(fā)展,發(fā)展選煤技術(shù)就是要謀求短期的經(jīng)濟效益和長期的社會效益、環(huán)境效益相統(tǒng)一,選煤綜合自動化技術(shù)更是選煤技術(shù)的重中之重,這里包括選煤廠生產(chǎn)自動化、操作參數(shù)優(yōu)化、產(chǎn)品質(zhì)量預(yù)測與控制智能化、管理與銷售信息化以及各個系統(tǒng)的集成綜合自動化,這些技術(shù)的實現(xiàn)對選煤技術(shù)的發(fā)展有著積極的推動作用。

二、煤綜合自動化對選煤技術(shù)的要求

(一)故障診斷技術(shù)

現(xiàn)代化選煤廠的發(fā)展趨勢是工藝流程簡化、設(shè)備大型化、單臺化(取消了備用設(shè)備)。與此同時,目前選煤廠用的各類大型機電設(shè)備(主要指國內(nèi)設(shè)備)和檢測儀器普遍存在穩(wěn)定性、可靠性差等缺點,要想實現(xiàn)選煤廠的綜合自動化,必須大力發(fā)展故障診斷技術(shù)?？紤]到選煤廠設(shè)備分散布置的特點,開發(fā)分布式故障診斷系統(tǒng)成為必然,其中基于Multi―Agents System技術(shù)的分布式人工智能技術(shù)作為一種建立在分布式控制結(jié)構(gòu)基礎(chǔ)上的智能手段的集成方法,以其特有的優(yōu)勢正日益受到人們重視。

作為解決選煤過程故障診斷的Multi―Agents系統(tǒng),利用并行分布式處理技術(shù)和模塊化設(shè)計思想,把選煤過程分解成相對獨立的智能體子系統(tǒng),通過智能體之間的合作與競爭來完成對復(fù)雜故障問題的求解。通過實施基于多Agents的故障診斷技術(shù),可使選煤過程始終保持在良好的狀態(tài)生產(chǎn)中,變定期維修制度為預(yù)知維修,縮短維修時間,為選煤綜合自動化的最終實現(xiàn)提供技術(shù)保障。

(二)先進(jìn)控制、智能控制技術(shù)

近年來,隨著人工智能技術(shù)和其他信息處理技術(shù),尤其是信息論、系統(tǒng)論和控制論的發(fā)展,智能控制在控制機理和應(yīng)用實踐方面均取得了突破性的進(jìn)展。遺傳算法與模糊邏輯、神經(jīng)網(wǎng)絡(luò)相互融合,通過模擬人類思維方式和結(jié)構(gòu)來設(shè)計用于解決復(fù)雜的各種非線性問題的控制策略,并已在各種實際工程中得到應(yīng)用,取得了良好的效果。

通過知識工程方法將有關(guān)對象的定性知識、人的經(jīng)驗知識與技巧和啟發(fā)式邏輯推理有效地集成起來,構(gòu)成知識庫系統(tǒng),以支持系統(tǒng)控制策略和算法的優(yōu)選及運行狀態(tài)的優(yōu)化。利用神經(jīng)網(wǎng)絡(luò)對于復(fù)雜無模型不確定問題的自適應(yīng)能力和學(xué)習(xí)能力,可以用于控制系統(tǒng)的補償環(huán)節(jié)和自適應(yīng)環(huán)節(jié),以及非線性系統(tǒng)的辨識和控制。其快速優(yōu)化的計算能力,可用于復(fù)雜控制問題的優(yōu)化計算;同時充分發(fā)揮各種智能方法和技術(shù)的特長,通過它們的有機結(jié)合,形成互補的綜合智能集成技術(shù),為選煤工業(yè)過程控制和優(yōu)化提供強有力的技術(shù)支撐。

(三)軟測量技術(shù)

選煤工業(yè)屬于典型的流程工業(yè),縱觀世界范圍內(nèi)流程工業(yè)的發(fā)展,目前,正在由簡單控制向先進(jìn)控制、智能控制,由單一控制向綜合自動化方向即CIPS方向發(fā)展,目前在過程控制領(lǐng)域,智能儀表快速增加,依靠過程信息進(jìn)行統(tǒng)計診斷和過程統(tǒng)計控制,是高度自動化的關(guān)鍵,要實現(xiàn)高精度在線實時決策,軟測量技術(shù)的重要性凸顯出來。在大力加強和完善傳統(tǒng)傳感器和儀表精度與可靠性的同時,尋求檢測技術(shù)新機理、新方法來提高選煤廠在線檢測水平,擴大選煤廠檢測、監(jiān)控工藝參數(shù)范圍,滿足選煤綜合自動化發(fā)展需求是一個重要的研究方向。

軟測量技術(shù)可在一定程度上代替現(xiàn)有的人工分析和在線分析儀測量某些分析指標(biāo),是對生產(chǎn)過程進(jìn)行先進(jìn)控制和優(yōu)化控制的前提和基礎(chǔ)。開發(fā)高性能的軟測量儀表也是在尚未解決過程參數(shù),尤其是質(zhì)量參數(shù)的“硬”測量技術(shù)前提高選煤工程綜合自動化的關(guān)鍵。軟測量技術(shù)為選煤工業(yè)重要工藝參數(shù)的檢測、監(jiān)控乃至控制提供了檢測、測量的新思路,可對選煤工業(yè)現(xiàn)有傳感器品種不足提供重要補充。

(四)數(shù)據(jù)挖掘和知識發(fā)現(xiàn)

如何從過去的數(shù)據(jù)中發(fā)現(xiàn)有用的信息,提取有用的知識,把所獲得的知識用于過程監(jiān)控,提高過程自動化水平,實現(xiàn)生產(chǎn)過程的操作管理、控制一體化是值得研究的課題。數(shù)據(jù)挖掘與知識發(fā)現(xiàn)技術(shù)應(yīng)用于過程監(jiān)控是近幾年的事,顯示了巨大潛力。過程監(jiān)控數(shù)據(jù)挖掘和知識發(fā)現(xiàn)方法可以按不同的方法進(jìn)行分類,根據(jù)功能和應(yīng)用目的,過程監(jiān)控中的數(shù)據(jù)挖掘與知識發(fā)現(xiàn)方法可概括為:特征提取、聚類與分類、相關(guān)與依賴分析和綜合。知識發(fā)現(xiàn)是一個復(fù)雜的過程,過程監(jiān)控中數(shù)據(jù)挖掘與知識發(fā)現(xiàn)是一種新技術(shù),還沒有形成完整的理論體系,其應(yīng)用都是針對具體問題展開研究。

結(jié)束語:近年來,美國、德國、英國和澳大利亞等國相繼開發(fā)成功并使用了各種在線檢測裝置,實現(xiàn)了選煤廠受煤系統(tǒng)、重介質(zhì)系統(tǒng)、跳汰系統(tǒng)、浮選系統(tǒng)、干燥系統(tǒng)和裝車系統(tǒng)的自動控制,選煤廠入料也實現(xiàn)了均質(zhì)化,這些自動化裝置配合計算機集成過程系統(tǒng),為選煤廠保證產(chǎn)品質(zhì)量和提高產(chǎn)率起到了重要作用,對于加快選煤過程綜合自動化的進(jìn)程,推動選煤工業(yè)的發(fā)展具有重要意義。

作者單位:淮南礦業(yè)集團張集選煤二廠

參考文獻(xiàn):

[1]唐曉萍.數(shù)據(jù)挖掘與知識發(fā)現(xiàn)綜述[J].電腦開發(fā)與利用,2003.

篇6

美國麻省大學(xué)(University of Massachusetts Amherst)阿默斯特校區(qū)(以下簡稱麻省大學(xué))是馬薩諸塞州立大學(xué)系統(tǒng)五個校園中的主校園,是美國知名的研究型大學(xué)。該校創(chuàng)辦于1863年,坐落在美國東部美麗的新英格蘭地區(qū)。

麻省大學(xué)計算機系成立于1964年,其研究生教育也有超過40年的發(fā)展歷史。由最初的3名教授發(fā)展到現(xiàn)在擁有43名教授,其中包括9名ACM計算機學(xué)會(Association for Computing Machinery)院士(Fellow)、4名電子和電氣工程師協(xié)會(IEEE)院士、5名人工智能學(xué)會(AAAI)院士和2名美國科學(xué)促進(jìn)協(xié)會(AAAS)院士。麻省大學(xué)計算機系在人工智能、網(wǎng)絡(luò)與分布式系統(tǒng)、計算理論等多個領(lǐng)域的研究處于世界領(lǐng)先水平。作為美國知名的計算機系,麻省大學(xué)計算機系的教育理念是“培養(yǎng)下一代能以創(chuàng)新的方法解決真實世界問題的計算機科學(xué)家”(cs.umass.edu/grads/msphd-requirements)。在這個核心思想的指導(dǎo)下,該系非常注重對博士研究生的培養(yǎng),為了達(dá)到培養(yǎng)學(xué)生具備進(jìn)行原創(chuàng)性科學(xué)研究(Original Research)的能力的教育宗旨,該系制定了一套非常嚴(yán)格的課程計劃,以培養(yǎng)學(xué)生堅實而廣博的基礎(chǔ)知識、良好的科學(xué)研究方法和思維習(xí)慣。麻省大學(xué)計算機系每年大約會收到1000份左右來自世界各國的優(yōu)秀學(xué)生的申請,攻讀其博士學(xué)位,而錄取的人數(shù)一般保持在30名左右。完善和嚴(yán)格的博士研究生培養(yǎng)體系、開放而先進(jìn)的教育理念,使麻省大學(xué)計算機系成為全美最具有競爭力的計算機院系之一。

麻省大學(xué)計算機系招收兩種形式的博士研究生:碩士/博士連讀研究生和直博研究生。只有在美國其他大學(xué)獲得相應(yīng)計算機碩士學(xué)位,并修完麻省大學(xué)計算機系認(rèn)可的相關(guān)課程的學(xué)生,才有資格申請直接攻讀博士學(xué)位;否則,學(xué)生在錄取后必須經(jīng)過碩士/博士的連續(xù)培養(yǎng)才能獲得博士學(xué)位。

無論哪種形式,麻省大學(xué)計算機系博士生培養(yǎng)大體分為兩個階段:博士生資格學(xué)習(xí)階段和博士生研究階段。博士生資格學(xué)習(xí)階段主要是對學(xué)生進(jìn)行基礎(chǔ)知識培養(yǎng)和基本研究能力訓(xùn)練。學(xué)生只有在通過博士資格考試論證,成為正式博士候選(PhD Candidate)人后,才能進(jìn)入下一步的博士論文研究階段學(xué)習(xí)。以下是麻省大學(xué)計算機系對碩士/博士研究生的培養(yǎng)要求:

(1)Actively participate in research under the guidance of an advisor(在導(dǎo)師的指導(dǎo)下,積極參與研究)

(2)Satisfy 6 Core Requirements (完成6門核心課程的要求)

(3)Complete 42 course credits (core courses taken to satisfy core requirements are included)(完成42個課程學(xué)分,其中包括核心課程的學(xué)分)

(4)Complete a 6-credit MS Project (完成6個學(xué)分的碩士研究項目)

(5)Graduate with an M.S. Degree(申請獲得碩士學(xué)位)

(6)Pass the Department Qualifying Exam- Portfolio(通過博士資格考試)

(7)Form a Committee(成立答辯委員會)

(8)Propose a Thesis(提交博士開題報告)

(9)Complete 18 Dissertation Credits (完成18個學(xué)分博士論文)

(10)Pass the Teaching Assistant Requirement(完成助教的工作要求)

(11)Pass the Residency Requirement (at least 9 credits in back-to-back semesters) (完成連續(xù)兩個學(xué)期修9個學(xué)分的要求)

(12)Defend and Submit a Thesis (博士答辯和提交博士論文)

本文將以麻省大學(xué)計算機系為例,探討美國計算機專業(yè)博士研究生培養(yǎng)的一個重要環(huán)節(jié)――博士研究生課程教育體系的特點,以期為提高我國的計算機專業(yè)博士生教育提供借鑒。

2掌握牢固的理論知識是培養(yǎng)優(yōu)秀博士生的基礎(chǔ)

美國的計算機博士教育非常注重對學(xué)生基礎(chǔ)理論知識的培養(yǎng),為了使學(xué)生掌握牢固而廣博的基礎(chǔ)知識,麻省大學(xué)計算機系要求每個碩士/博士研究生必須修完6門博士核心課程,而且成績必須達(dá)到B+以上。這些核心課程分別屬于計算機科學(xué)的三大領(lǐng)域:理論(Theory)、系統(tǒng)(Systems)和人工智能(Artificial Intelligence),課程設(shè)置具體如下:

(1) 理論核心課:計算理論(Computation Theory)、高級算法(Advanced Algorithms)

(2) 系統(tǒng)核心課:有三組課程,分別是:

編譯技術(shù)(Compiler Techniques)、現(xiàn)代計算機體系結(jié)構(gòu)(Modern Computer Architecture)

數(shù)據(jù)庫設(shè)計和實現(xiàn)(Database Design and Implementation)、高級計算機網(wǎng)絡(luò)(Advanced Computer Networking)、操作系統(tǒng)(Operating Systems)

高級軟件工程I(Advanced Software Engineering: Synthesis and Development)、高級軟件工程II(Advanced Software Engineering: Analysis and Evaluation)、程序設(shè)計語言(Programming Languages)

(3) 人工智能核心課程:高級人工智能(Artificial Intelligence)、機器人學(xué)(Robotics)、信息檢索(Information Retrieval)、不確定環(huán)境下的推理(Reasoning and Acting under Uncertainty)、增強型學(xué)習(xí)(Reinforcement Learning)、機器學(xué)習(xí)(Machine Learning: Pattern Classification)

根據(jù)不同的研究方向,學(xué)生可以在六門核心課程的選擇上有所不同,但為了加強理論基礎(chǔ)和掌握知識的廣度,無論哪個研究方向的學(xué)生,都必須修完兩門理論核心課程和一門高級人工智能課程,同時,再根據(jù)自己的研究方向選修其他三門核心課程。例如,一個系統(tǒng)方向的博士研究生除了修完以上兩門理論和一門人工智能課程以外,還必須修完來自于系統(tǒng)方向不同組的三門系統(tǒng)方向的課程;而一個人工智能方向的博士生則必須修完另外兩門人工智能方向的核心課程和一門系統(tǒng)方向的核心課程。

每門核心課程由教師講授一學(xué)期,其中每星期2次課,每次2小時,3個學(xué)分。根據(jù)內(nèi)容不同,每門課程一般要安排5～8次書面作業(yè)、1次期中考試和1次期末考試。其中,對系統(tǒng)方向的課程來說,每個章節(jié)完成后一般還有一次課程項目設(shè)計(Course Project),主要要求學(xué)生實現(xiàn)相應(yīng)的算法和進(jìn)行性能評價。由于核心課程要求高,課程學(xué)習(xí)內(nèi)容多,導(dǎo)師和系里會建議學(xué)生每學(xué)期選學(xué)不超過一門的核心課程,所有6門核心課程則在三年內(nèi)完成。如果成績沒有達(dá)到B+,麻省大學(xué)計算機系允許學(xué)生重修該核心課;但是,如果學(xué)生在規(guī)定的博士資格考試申請時間前沒有通過全部的6門核心課,則不再具備繼續(xù)攻讀博士的資格。

嚴(yán)格的核心課程作業(yè)、考試制度和淘汰制度,不但使學(xué)生牢固掌握了計算機科學(xué)各領(lǐng)域的基礎(chǔ)知識,培養(yǎng)了學(xué)生勤奮刻苦的專研精神,而且極大地豐富了學(xué)生的視野,為學(xué)生進(jìn)入實際科學(xué)研究打下了堅實的基礎(chǔ)。

3靈活而完善的博士生選修課程體系是培養(yǎng)創(chuàng)新型人才的重要途徑

美國一流研究型大學(xué)博士生教育的目標(biāo)是培養(yǎng)世界一流的科學(xué)家和拔尖創(chuàng)新型人才,為了實現(xiàn)這個目標(biāo),美國的博士生教育除了注重培養(yǎng)學(xué)生扎實和精深的基礎(chǔ)知識外,還非常注重培養(yǎng)學(xué)生的創(chuàng)新思維和發(fā)現(xiàn)新問題的探索精神及能力。

如果核心課程體系的設(shè)置是培養(yǎng)優(yōu)秀博士生的基礎(chǔ),是向?qū)W生傳授學(xué)科領(lǐng)域的重要基本知識和原理與技術(shù),是學(xué)生全面掌握計算機基本理論與方法的重要途徑,那么,選修課的設(shè)置則是對學(xué)科基本知識的補充,是培養(yǎng)學(xué)生學(xué)習(xí)新的知識和了解并探索前沿研究方向,從而成為創(chuàng)新型人才的重要手段。

麻省大學(xué)計算機系的做法是,在博士研究階段,除了要求學(xué)生完成18個學(xué)分(6門)的核心課程學(xué)習(xí)以外,還要求完成24個學(xué)分(8門)的非核心課程(或稱為選修課)學(xué)習(xí)。這些選修課大多是關(guān)于本學(xué)科及相關(guān)專業(yè)前沿領(lǐng)域近3～5年的新研究方向、研究方法或新技術(shù)的相關(guān)內(nèi)容的介紹,一般由教師在每學(xué)期開學(xué)前提出新的課程計劃,學(xué)生則根據(jù)自己的研究興趣和職業(yè)目標(biāo)自由選課。通過課程的學(xué)習(xí),學(xué)生能在最短的時間內(nèi)了解本學(xué)科相關(guān)領(lǐng)域的最新研究現(xiàn)狀,更重要的是,在課程的學(xué)習(xí)過程中,教授會將許多新出現(xiàn)的問題在課堂上和學(xué)生討論,同時,通過2～3個課程項目培養(yǎng)學(xué)生獨立(或合作)解決新問題的能力,以及教會學(xué)生各種探索問題的研究方法。

在教學(xué)模式上,可以采用由教授主講的傳統(tǒng)方式,也可以采用以討論為主的方式。以教授為主講的教學(xué)模式在此就不再贅述,以下著重描述以討論為主的選修課教學(xué)模式。

以討論為主的Seminar是美國計算機院系的教授最常用的選修課教學(xué)模式。Seminar的課程設(shè)置沒有固定模式,但通常有以下幾方面的特點。

第一,課程的選題一般是近年新出現(xiàn)的有代表性的前沿研究課題。

第二,課程內(nèi)容的選擇一般來自近年來該領(lǐng)域頂級國際會議的專題論文。

第三,課程內(nèi)容的組織由教師完成。教師在確定題目后,一般會根據(jù)論文的情況將討論的內(nèi)容分為多個子專題,每個子問題由3～4篇論文組成。課程的開始一般是綜述性的論文或在該領(lǐng)域出現(xiàn)的最早的學(xué)術(shù)論文,其目的是探討該研究方向出現(xiàn)的新的應(yīng)用背景需求和所帶來的新的挑戰(zhàn)。其后的每個子專題則將對具體問題和方法進(jìn)行深入探討。

第四,選課的學(xué)生人數(shù)一般在20～30人左右,而且通常是由學(xué)完了核心課程以后的高年級博士生組成。學(xué)生人數(shù)太少,論文的覆蓋面可能太小;學(xué)生太多,可能導(dǎo)致討論的深度不夠。同時,只有學(xué)完了基本理論后,學(xué)生才有可能具備較深入分析問題的能力。在Seminar的學(xué)習(xí)討論中,找到新的研究問題也是該課程設(shè)置的重要目的之一。

第五,課堂教學(xué)的模式基本上是教師和學(xué)生互動的教學(xué)方式。教師在第一節(jié)課引導(dǎo)學(xué)生對該領(lǐng)域的基本問題有了初步認(rèn)識后,學(xué)生將對每篇論文進(jìn)行評估(Review)、宣講(Presentation)和進(jìn)行課堂討論。每篇論文的宣講時間是25～30分鐘,課堂討論時間是10～15分鐘。其中教師將引導(dǎo)學(xué)生對論文中所研究的問題和關(guān)鍵技術(shù)進(jìn)行深入討論,學(xué)生參與討論的情況將作為課程考核的重要依據(jù)。

選擇合適的題目并對教學(xué)討論的內(nèi)容(論文)進(jìn)行篩選和組織對開課教師的要求非常高。為了準(zhǔn)備一門新的Seminar課,教師一般需要預(yù)先通讀該研究方向所有重要國際會議的相關(guān)論文,然后根據(jù)不同的研究問題對論文分類,并將其中有代表性的論文提煉出來,作為課程學(xué)習(xí)的論文。在課程項目的設(shè)置上,教師會事先準(zhǔn)備一些題目,如對某些算法的實現(xiàn)、評估和改進(jìn),實現(xiàn)原形系統(tǒng)等,同時也非常鼓勵學(xué)生在論文討論的過程中有針對性地提出自己的見解和新的解決問題的方法。

4合理的課程學(xué)習(xí)安排是培養(yǎng)高質(zhì)量博士生的有效保證

美國的博士教育是以博士生的最終質(zhì)量為評判標(biāo)準(zhǔn),而不是以年限來規(guī)定學(xué)生的畢業(yè)時間。在美國計算機專業(yè),培養(yǎng)一個碩士/博士生一般需要至少5年時間。由于強調(diào)博士生專業(yè)知識學(xué)習(xí)的深度和廣度,在整個博士學(xué)習(xí)階段,博士生都會積極參與課程的學(xué)習(xí),并盡可能地將研究項目中的問題和課程學(xué)習(xí)聯(lián)系起來,用所學(xué)到的方法或思路來解決新問題。

以麻省大學(xué)計算機系為例,雖然學(xué)生的背景不同,但為了在保證質(zhì)量的前提下幫助學(xué)生用最短的時間順利完成博士課程要求和博士論文要求,系里建議學(xué)生按如表1所示的時間表安排整個博士階段的學(xué)習(xí)計劃。

麻省大學(xué)計算機系不但在本系有完善的研究生課程體系,學(xué)生可以根據(jù)自己的研究興趣和職業(yè)規(guī)劃來自由選課,而且也鼓勵學(xué)生在其他相關(guān)院系選修本系沒有開設(shè)但對研究有用的課,如數(shù)學(xué)系或電子工程系的高級課程。總之,美國博士教育的一個重要特點是強調(diào)基礎(chǔ)知識的學(xué)習(xí),鼓勵學(xué)生以積極的態(tài)度參與到課程的學(xué)習(xí)中,同時訓(xùn)練學(xué)生在課程學(xué)習(xí)的過程中逐步學(xué)會發(fā)現(xiàn)問題和研究問題的方法。

5啟示和建議

美國的博士教育強調(diào)堅實的基礎(chǔ)理論知識、完善的知識體系和用于探索與創(chuàng)新的研究能力,而這些恰恰是決定博士畢業(yè)生日后發(fā)展?jié)摿Φ年P(guān)鍵。長期以來,我國計算機博士教育主要是通過參與科研項目的形式來對學(xué)生進(jìn)行培養(yǎng),這種“研究項目驅(qū)動型教育”在我國恢復(fù)研究生教育的初期起到了很好的推動作用,培養(yǎng)了大批科研人才。但隨著教育本質(zhì)的回歸和創(chuàng)新型人才培養(yǎng)的需要,從總體來看,我國的這種單純強調(diào)研究項目的教育模式培養(yǎng)的博士生,質(zhì)量與國際先進(jìn)水平相比還有一定的差距。由于沒有嚴(yán)格的博士課程要求和淘汰制度,學(xué)生在學(xué)習(xí)階段往往會忽略對基礎(chǔ)知識的學(xué)習(xí)和對知識結(jié)構(gòu)的完善。長此以往,必然會影響博士生的研究水平和發(fā)展?jié)摿?最終將會影響國家的整體創(chuàng)新能力。

筆者建議,為了使學(xué)生掌握牢固的專業(yè)基礎(chǔ)知識,同時培養(yǎng)學(xué)生在某一學(xué)科領(lǐng)域的研究興趣和基本的研究能力,應(yīng)該首先強調(diào)核心課程體系的建設(shè),不論哪個方向的學(xué)生都必須通過一定數(shù)量的核心課程的學(xué)習(xí),如算法、分布式操作系統(tǒng)、人工智能等,這些核心課程應(yīng)由教師來講授;同時,應(yīng)嚴(yán)格課程的考核制度和課程評價體系。對于選修課,由于其主要目的是擴展學(xué)生的視野,培養(yǎng)學(xué)生分析問題和研究問題的能力,所以應(yīng)借鑒國內(nèi)外Seminar課程的成功經(jīng)驗,積極有效地激勵教師和學(xué)生共同上好Seminar課。

博士生教育是一項復(fù)雜而艱巨的系統(tǒng)工程,而其中的課程學(xué)習(xí)是研究生培養(yǎng)中非常重要的一個環(huán)節(jié),如何通過嚴(yán)格的培養(yǎng)機制和靈活的培養(yǎng)方法,在給學(xué)生傳授基礎(chǔ)知識的同時培養(yǎng)學(xué)生分析問題和解決問題的能力;如何將合理的研究生課程體系和研究項目結(jié)合起來,嚴(yán)格博士生培養(yǎng)機制,完善博士生資格評估體系,從制度上保障博士研究生的質(zhì)量;以及如何真正教會學(xué)生探索科學(xué)基本問題的方法,培養(yǎng)學(xué)生良好的科研習(xí)慣和勇于開拓創(chuàng)新的精神等,是我們在計算機學(xué)科建設(shè)中應(yīng)該進(jìn)一步思考的問題。

篇7

關(guān)鍵詞：應(yīng)急； 預(yù)測； 支持向量機； 人工神經(jīng)網(wǎng)絡(luò) ；案例推理法

一、引言

“預(yù)測”這一件事，從古到今都是人們苦苦追求與探索的話題：從“先知三日，富貴十年”到“凡事預(yù)則立，不預(yù)則廢”；從活躍在中國民間的算命先生，再到西方觀測星象的占卜師，無不寄予著世人對未知的好奇和對未來的向往。隨著科技進(jìn)步與時展，特別是計算機技術(shù)的飛躍，給予人們更強大、更客觀的手段和方法進(jìn)行預(yù)測。本文以應(yīng)急物資需求為背景，通過對各類預(yù)測方法的介紹和對比，為應(yīng)急物資的需求預(yù)測尋求最佳途徑。

二、預(yù)測方法分類及研究現(xiàn)狀

由于預(yù)測的對象、目標(biāo)、內(nèi)容和期限的不同，近幾十年來形成了多種多樣的預(yù)測方法。據(jù)不完全統(tǒng)計，目前世界上有近千種預(yù)測方法，其中較為成熟的有150多種，常用的有30多種，用得最為普遍的有10多種，但目前為止還沒有一個完整、統(tǒng)一、系統(tǒng)的分類體系。本文依照我國常用的分類方法，將預(yù)測方法分為定性分析和定量分析兩大類。

1. 定性分析預(yù)測法

定性分析預(yù)測法是指預(yù)測者根據(jù)歷史與現(xiàn)實的觀察資料，依賴個人或集體的經(jīng)驗及智慧，對未來的發(fā)展?fàn)顟B(tài)和趨勢做出判斷的預(yù)測方法。其主要方法包括專家意見法、頭腦風(fēng)暴法和德爾菲法等。定性預(yù)測的優(yōu)點在于，能夠較大程度地發(fā)揮人的主觀能動作用，簡單迅速，省時省力，具有較大的靈活性；同時它的缺點也是顯而易見的：由于它較為依賴于人的經(jīng)驗和主觀判斷能力，從而易受人的知識、經(jīng)驗和能力的多少大小的束縛和限制，尤其缺乏對事物發(fā)展作數(shù)量上的精確描述。因此，定性分析預(yù)測法在現(xiàn)代預(yù)測技術(shù)中逐漸淡出，定量分析預(yù)測法成為預(yù)測的主要手段。

2. 定量分析預(yù)測法

定量分析預(yù)測法主要依據(jù)調(diào)查研究所獲取的數(shù)據(jù)資料，運用統(tǒng)計方法和數(shù)學(xué)模型，近似地揭示預(yù)測對象及其影響因素的數(shù)量變動關(guān)系，建立對應(yīng)的預(yù)測模型，據(jù)此對預(yù)測目標(biāo)做出定量測算的預(yù)測方法。它通?？煞譃闀r間序列分析預(yù)測法和因果分析預(yù)測法。

（1）時間序列分析預(yù)測法

時間序列分析預(yù)測法是以連續(xù)性預(yù)測原理作指導(dǎo)，利用歷史觀察值形成的時間數(shù)列，對預(yù)測目標(biāo)未來狀態(tài)和發(fā)展趨勢做出定量判斷的預(yù)測方法。較為常用的時間序列分析預(yù)測法主要有指數(shù)平滑法（包括雙指數(shù)平滑、三次指數(shù)平滑和無季節(jié)指數(shù)平滑等）、移動平均法、ARIMA模型（也稱Box-Jenkins法）等。

（2）因果分析預(yù)測法

因果分析預(yù)測法是以因果性預(yù)測原理作指導(dǎo)，以分析預(yù)測目標(biāo)同其他相關(guān)事件及現(xiàn)象之間的因果聯(lián)系，對事件未來狀態(tài)與發(fā)展趨勢做出預(yù)測的定量分析方法。較為常用的主要有回歸分析預(yù)測法、計量經(jīng)濟模型預(yù)測法和投入――產(chǎn)出分析預(yù)測法等。隨著數(shù)學(xué)方法在計算機上的運用和實現(xiàn)，經(jīng)濟學(xué)的研究與數(shù)學(xué)和計算機科學(xué)的聯(lián)系更為緊密。近年來，許多人工智能預(yù)測模型層出不窮，極大豐富了預(yù)測的方法和手段。

三、應(yīng)急物資需求預(yù)測的研究現(xiàn)狀

應(yīng)急物資是指為應(yīng)對自然災(zāi)害、事故災(zāi)難、公共安全事件和社會安全等突發(fā)性公共事件應(yīng)急處置過程中所必需的保障性物資。應(yīng)急物資的需求是應(yīng)急物資保障的首要環(huán)節(jié)，它具有時間上和數(shù)量上的不確定性等特點。因此，做好應(yīng)急物資的需求預(yù)測有著重要的現(xiàn)實意義。就國內(nèi)目前的研究來看，主要體現(xiàn)在運用人工智能方法構(gòu)建預(yù)測模型，時下最流行、使用最廣泛的方法有CBR（案例推理法），ANN（神經(jīng)網(wǎng)絡(luò)模型），SVM（支持向量機模型）等。

1.案例推理法（CBR）

案例推理法（Case―Based Reasoning，簡稱CBR）最早是由耶魯大學(xué)Schank 教授在Dynamic Memory：A Theory of Reminding and Learning in Computers and People（1982）一文中提出的，它是人工智能領(lǐng)域的一項重要推理方法。國外自上世紀(jì) 8O 年代后期對 CBR 的理論和方法進(jìn)行了系統(tǒng)研究，在通用問題求解、法律案例分析、設(shè)備故障診斷、輔助工程設(shè)計、輔助計劃制定等領(lǐng)域取得實用性成果[1]；國內(nèi)運用CBR方法對應(yīng)急物資需求進(jìn)行預(yù)測，取得了一定的進(jìn)展：傅志妍，陳堅[2]運用歐氏算法尋求最佳相似源案例，建立案例推理――關(guān)鍵因素模型對目標(biāo)案例進(jìn)行需求預(yù)測，并通過實例驗證了模型的科學(xué)有效；王曉、莊亞明[3]將模糊集理論、神經(jīng)網(wǎng)絡(luò)Hebb學(xué)習(xí)規(guī)則和多元線性回歸與案例推理法相結(jié)合，較為準(zhǔn)確地預(yù)測出非常規(guī)突發(fā)事件的資源需求；Fu Deqiang[4]等人使用了一種基于案例推理和BP神經(jīng)網(wǎng)絡(luò)的精度預(yù)測法，同樣通過目標(biāo)案例證實了模型的可靠性。

雖然案例推理法出現(xiàn)的時間較早，且在各領(lǐng)域得到了廣泛的運用，但是這種預(yù)測方法有著較大的經(jīng)驗成分，且案例庫的建立是進(jìn)行案例推理分析的首要步驟和困難之處。而目前對于案例庫的建立存在著數(shù)據(jù)不全，缺失以及無系統(tǒng)整理歸檔的問題。

2.人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)最早是由Lapedes和Farber于1987年在《運用神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性信號處理：預(yù)測和系統(tǒng)模型》[5]一文中提出并使用的，他們用非線性神經(jīng)網(wǎng)絡(luò)對計算機生成的時間序列仿真數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測。王其文[6]等人和Chin Kuo[7]等分別通過對神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)回歸預(yù)測方法的比較，證明了神經(jīng)網(wǎng)絡(luò)在預(yù)測中的優(yōu)越性。

對于神經(jīng)網(wǎng)絡(luò)在應(yīng)急物資需求預(yù)測中的使用，國內(nèi)相關(guān)文獻(xiàn)較少。筆者認(rèn)為具有啟發(fā)性的是在《大型地震應(yīng)急物資需求預(yù)測方法研究》[8]一文中，郭金芬和周剛先利用 BP 神經(jīng)網(wǎng)絡(luò)算法對災(zāi)后人員傷亡人數(shù)進(jìn)行預(yù)測，然后結(jié)合庫存管理知識估算出災(zāi)區(qū)應(yīng)急物資的需求量；隨后，郭在其碩士論文中對該問題做出較為系統(tǒng)的研究[9]。而神經(jīng)網(wǎng)絡(luò)在物流需求預(yù)測中的運用，對應(yīng)急物資需求預(yù)測是同樣具有借鑒意義的：后銳、張畢西[10]提出基于MLP 神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測模型，揭示了區(qū)域經(jīng)濟與區(qū)域物流需求之間的非線性映射關(guān)系， 為區(qū)域物流需求預(yù)測提供了一種新思路和新方法；苗鑫[11]等人用擴展卡爾曼濾波和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的復(fù)合算法對物流需求進(jìn)行預(yù)測，并在與常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測誤差比較中，顯示出其較高的可靠性；牛忠遠(yuǎn)[12]依據(jù)物流需求的時間序列統(tǒng)計數(shù)據(jù)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)多步預(yù)測和滾動預(yù)測方法建立預(yù)測模型，對我國物流需求進(jìn)行實證分析研究。

3. 支持向量機（SVM）

支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以求獲得最好推廣能力的一種方法。它是由Vapnik等人于1995年提出的[13][14]，現(xiàn)已廣泛地應(yīng)用于模式識別、語音識別、時間序列分析、生物信息學(xué)及經(jīng)濟學(xué)等領(lǐng)域。

支持向量機在應(yīng)急物資和物流需求預(yù)測中的研究，國內(nèi)文獻(xiàn)一般集中在以下幾個方面：趙一兵[15]等人運用支持向量機回歸算法建立了地震中人員傷亡預(yù)測模型，而后結(jié)合庫存管理模型對應(yīng)急物資進(jìn)行了估算，并在實例中驗證了模型的有效性；吳潔明[16]等運用支持向量機對歷史物流需求量的數(shù)據(jù)進(jìn)行學(xué)習(xí)，而后通過粒子群算法獲得模型最優(yōu)參數(shù)對物流需求進(jìn)行預(yù)測；何滿輝[17]等針對支持向量機在處理數(shù)據(jù)時無法將數(shù)據(jù)簡化的問題，提出了基于模糊粗糙集與支持向量機的區(qū)域物流量預(yù)測方法；朱莎[18]提出了基于小波分析和支持向量機的組合預(yù)測方法，建立了針對緊急救援階段和后續(xù)救援階段的血液需求預(yù)測模型，并在汶川地震的案例中體現(xiàn)出該模型較高的精度。

從以上文獻(xiàn)中我們可以發(fā)現(xiàn)，案例推理法，人工神經(jīng)網(wǎng)絡(luò)和支持向量機的應(yīng)用，都體現(xiàn)出跨學(xué)科，跨專業(yè)的特點，它們將生物學(xué)或計算機科學(xué)等自然科學(xué)的研究方法推廣到經(jīng)濟管理等社會科學(xué)中，并很好地解決了現(xiàn)實問題。

四、結(jié)束語

本文首先通過對現(xiàn)有預(yù)測方法的簡要介紹，提出運用近年來興起的人工智能方法對預(yù)測問題的研究；而后從應(yīng)急物資需求的視角出發(fā)，對國內(nèi)外解決應(yīng)急物資需求預(yù)測方法做出總結(jié)回顧。通過分析，筆者認(rèn)為支持向量機（SVM）更適合運用于對歷史數(shù)據(jù)較少或不全的應(yīng)急物資需求進(jìn)行預(yù)測。下一步的工作將是對預(yù)測指標(biāo)的選取和影響因子的量化，以及對輸入SVM訓(xùn)練數(shù)據(jù)的處理，并在實例中驗證該預(yù)測方法的精確度和有效性。

參考文獻(xiàn)：

[1]侯玉梅，許成媛. 基于案例推理法研究綜述[J]. 燕山大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）， 2011， 12（4）： 102-108.

[2]傅志妍，陳堅.災(zāi)害應(yīng)急物資需求預(yù)測模型研究[J].物流科技，2009（10）：11-13.

[3]王曉，莊亞明.基于案例推理的非常規(guī)突發(fā)事件資源需求預(yù)測[J].西安電子科技大學(xué)學(xué)報，2010，12（7）：22-26.

[4]Fu Deqiang， Liu Yun， Li Changbing， Forecasting the Demand of Emergency Supplies： Based on the CBR Theory and BP Neural Network， Proceedings of the 8th International Conference on Innovation & Management. Fukuoka， Japan， November， 2011.

[5]Lapedes A， Farber. Nonlinear signal processing using neural networks： prediction and system modeling [R]. Technical Report LA-UR-87-2662，Los Alamos National Laboratory. Los Alamos. NM，1987.

[6]王其文， 呂景峰， 劉廣靈等. 人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較[J]. 決策與決策支持系統(tǒng)， 1993， 3 （3） ： 205-210.

[7]Chin， Kuo， Arthur， Reitsch. Neural networks vs. conventional methods of forecasting， The Journal of Business Forecasting Methods & Systems， Winter 1995/1996 17-22.

[8]郭金芬，周剛.大型地震應(yīng)急物資需求預(yù)測方法研究[J].價值工程，2011（22）.27-29.

[9]郭金芬.面向大型地震的應(yīng)急物資需求預(yù)測方法研究[D]. 天津：天津大學(xué)，2011.

[10]后銳，張畢西. 基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測方法及其應(yīng)用[J]. 系統(tǒng)工程理論與實踐，2005， 25（12）： 43-47.

[11]苗鑫，西寶，鄒慧敏. 物流需求的動態(tài)預(yù)測方法.哈爾濱工業(yè)大學(xué)學(xué)報[J]. 2008， 40（10）： 1613-1616.

[12]牛忠遠(yuǎn). 我國物流需求預(yù)測的神經(jīng)網(wǎng)絡(luò)模型和實證分析研究[D]. 浙江：浙江大學(xué)， 2006.

[13]VAPNIKV. The Nature of Statistical Learning Theory [M].New York ： Spring Verlag，1995.

[14]VAPNIKV，張學(xué)工譯.《統(tǒng)計學(xué)習(xí)理論的本質(zhì)》 [M]. 北京：清華大學(xué)出版社，2000.

[15]趙一兵，高虹霓，馮少博. 基于支持向量機回歸的應(yīng)急物資需求預(yù)測[J]. 2013， 30（8）： 408-412.

[16]吳潔明，李余琪，萬勵. 物流需求預(yù)測算法的仿真研究[J]. 2011， 28（9）： 246-249.

[17]何滿輝，逯林，劉拴宏. 基于模糊粗糙集與支持向量機的區(qū)域物流量預(yù)測[J]. 2012，12（3）：129-134.

篇8

【關(guān)鍵詞】 機電一體化 現(xiàn)狀 發(fā)展趨勢

一、機電一體化的產(chǎn)生與應(yīng)用

20世紀(jì)60年代以來,人們利用電子技術(shù)的初步成果來完善機械產(chǎn)品的性能后,刺激了機械產(chǎn)品與電子技術(shù)的結(jié)合。計算機技術(shù)、控制技術(shù)、通信技術(shù)的發(fā)展,為機電一體化的發(fā)展更進(jìn)一步奠定了技術(shù)基礎(chǔ)。20世紀(jì)80年代末期,機電一體化技術(shù)和產(chǎn)品得到了極大發(fā)展。各國均開始對機電一體化技術(shù)和產(chǎn)品給以很大的關(guān)注和支持,20世紀(jì)90年代后期,開始了機電一體化技術(shù)向智能化方向邁進(jìn)的新階段,機電一體化進(jìn)入了深入發(fā)展時期。光學(xué)、通信技術(shù)等進(jìn)入了機電一體化,微細(xì)加工技術(shù)也在機電一體化中展露頭腳,出現(xiàn)了光機電一體化和微機電一體化等新分支。我國從20世紀(jì)80年代開始開展機電一體化研究和應(yīng)用。取得了一定成果,它的發(fā)展和進(jìn)步依賴并促進(jìn)相關(guān)技術(shù)的發(fā)展和進(jìn)步。機電一體化已成為一門有著自身體系的新型學(xué)科,隨著科學(xué)技術(shù)的不斷發(fā)展,還將被賦予新的內(nèi)容。

二、機電一體化的發(fā)展現(xiàn)狀

機電一體化的發(fā)展大體可以分為3個階段。20世紀(jì)60年代以前為第一階段,這一階段稱為初級階段。在這一時期,人們利用電子技術(shù)的初步成果來完善機械產(chǎn)品的性能。特別是在第二次世界大戰(zhàn)期間,戰(zhàn)爭刺激了機械產(chǎn)品與電子技術(shù)的結(jié)合,這些機電結(jié)合的軍用技術(shù),戰(zhàn)后轉(zhuǎn)為民用,對戰(zhàn)后經(jīng)濟的恢復(fù)起了積極的作用。那時研制和開發(fā)從總體上看還處于自發(fā)狀態(tài)。由于當(dāng)時電子技術(shù)的發(fā)展尚未達(dá)到一定水平,機械技術(shù)與電子技術(shù)的結(jié)合還不可能廣泛和深入發(fā)展,已經(jīng)開發(fā)的產(chǎn)品也無法大量推廣。

20世紀(jì)70年代~80年代為第二階段,可稱為蓬勃發(fā)展階段。這一時期,計算機技術(shù)、控制技術(shù)、通信技術(shù)的發(fā)展,為機電一體化的發(fā)展奠定了技術(shù)基礎(chǔ)。大規(guī)模、超大規(guī)模集成電路和微型計算機的迅猛發(fā)展,為機電一體化的發(fā)展提供了充分的物質(zhì)基礎(chǔ)。

20世紀(jì)90年代后期,開始了機電一體化技術(shù)向智能化方向邁進(jìn)的新階段,機電一體化進(jìn)入深入發(fā)展時期。一方面,光學(xué)、通信技術(shù)等進(jìn)入了機電一體化,微細(xì)加工技術(shù)也在機電一體化中展露頭腳,出現(xiàn)了光機電一體化和微機電一體化等新分支;另一方面對機電一體化系統(tǒng)的建模設(shè)計、分析和集成方法、機電一體化的學(xué)科體系和發(fā)展趨勢都進(jìn)行了深入研究。同時,由于人工智能技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)及光纖技術(shù)等領(lǐng)域取得的巨大進(jìn)步,更為機電一體化技術(shù)開辟了發(fā)展的廣闊天地。這些研究,將促使機電一體化進(jìn)一步建立完整的基礎(chǔ)和逐漸形成完整的科學(xué)體系。我國是從20世紀(jì)80年代初才開始在這方面研究和應(yīng)用。國務(wù)院成立了機電一體化領(lǐng)導(dǎo)小組并將該技術(shù)列為“863計劃”中。在制定“九五”規(guī)劃和2010年發(fā)展綱要時充分考慮了國際上關(guān)于機電一體化技術(shù)的發(fā)展動向和由此可能帶來的影響。許多大專院校、研究機構(gòu)及一些大中型企業(yè)對這一技術(shù)的發(fā)展及應(yīng)用也做了大量的工作,雖然取得了一定成果,但與日本等先進(jìn)國家相比仍有相當(dāng)差距。

三、機電一體化的發(fā)展趨勢

(一)智能化趨勢

智能化是21世紀(jì)機電一體化技術(shù)發(fā)展的一個重要發(fā)展方向。人工智能在機電一體化建設(shè)者的研究日益得到重視,機器人與數(shù)控機床的智能化就是重要應(yīng)用。這里所說的“智能化”是對機器行為的描述,是在控制理論的基礎(chǔ)上,吸收人工智能、運籌學(xué)、計算機科學(xué)、模糊數(shù)學(xué)、心理學(xué)、生理學(xué)和混沌動力學(xué)等新思想、新方法,模擬人類智能,使它具有判斷推理、邏輯思維、自主決策等能力,以求得到更高的控制目標(biāo)。機電一體化產(chǎn)品不可能具有與人完全相同的智能。但是,高性能、高速的微處理器使機電一體化產(chǎn)品賦有低級智能或人的部分智能。

(二)模塊化趨勢

模塊化是一項重要而艱巨的工程。由于機電一體化產(chǎn)品種類和生產(chǎn)廠家繁多,研制和開發(fā)具有標(biāo)準(zhǔn)機械接口、電氣接口、動力接口、環(huán)境接口的機電一體化產(chǎn)品單元是一項十分復(fù)雜但又是非常重要的事。如研制集減速、智能調(diào)速、電機于一體的動力單元,具有視覺、圖像處理、識別和測距等功能的控制單元,以及各種能完成典型操作的機械裝置。這樣可利用標(biāo)準(zhǔn)單元迅速開發(fā)出新產(chǎn)品,也可以擴大生產(chǎn)規(guī)模,制定各項標(biāo)準(zhǔn),以便各部件、單元的匹配和接口。從電氣產(chǎn)品的標(biāo)準(zhǔn)化、系列化帶來的好處可以肯定,無論是對生產(chǎn)標(biāo)準(zhǔn)機電一體化單元的企業(yè)還是對生產(chǎn)機電一體化產(chǎn)品的企業(yè),規(guī)?；瘜⒔o機電一體化企業(yè)帶來美好的前程。

(三)網(wǎng)絡(luò)化趨勢

計算機技術(shù)等的突出成就是網(wǎng)絡(luò)技術(shù)。網(wǎng)絡(luò)技術(shù)的興起和飛速發(fā)展給科學(xué)技術(shù)、工業(yè)生產(chǎn)等領(lǐng)域都帶來了巨大的變革。各種網(wǎng)絡(luò)將全球經(jīng)濟、生產(chǎn)連成一片,企業(yè)間的競爭也將全球化。機電一體化新產(chǎn)品一旦研制出來,只要其功能獨到,質(zhì)量可靠,很快就會暢銷全球。由于網(wǎng)絡(luò)的普及,基于網(wǎng)絡(luò)的各種遠(yuǎn)程控制和監(jiān)視技術(shù)方興未艾,而遠(yuǎn)程控制的終端設(shè)備本身就是機電一體化產(chǎn)品?，F(xiàn)場總線和局域網(wǎng)技術(shù)使家用電器網(wǎng)絡(luò)化已成大勢,利用家庭網(wǎng)絡(luò)將各種家用電器連接成以計算機為中心的計算機集成家電系統(tǒng),使人們在家里分享各種高技術(shù)帶來的便利與快樂,因此機電一體化產(chǎn)品朝著網(wǎng)絡(luò)化方向發(fā)展是為大勢所趨。

(四)微型化趨勢

微型化指的是機電一體化向微型機器和微觀領(lǐng)域發(fā)展的趨勢,國外稱其為微電子機械系統(tǒng)(MEMS),泛指幾何尺寸不超過1cm的機電一體化產(chǎn)品,并向微米、納米級發(fā)展。微機電一體化產(chǎn)品體積小、耗能少、運動靈活,具有不可比擬的優(yōu)勢。微機電一體化發(fā)展的瓶頸在于微機械技術(shù),微機電一體化產(chǎn)品的加工采用精細(xì)加工技術(shù),即超精密技術(shù),它包括光刻技術(shù)和蝕刻技術(shù)。

篇9

摘要：機電一體化是現(xiàn)代科學(xué)技術(shù)發(fā)展的必然結(jié)果,本文簡述了機電一體化技術(shù)的基本概要和發(fā)展背景。綜述了國內(nèi)外機電一體化技術(shù)的現(xiàn)狀，分析了機電一體化技術(shù)的發(fā)展趨勢。

現(xiàn)代科學(xué)技術(shù)的不斷發(fā)展，極大地推動了不同學(xué)科的交叉與滲透，導(dǎo)致了工程領(lǐng)域的技術(shù)革命與改造。在機械工程領(lǐng)域，由于微電子技術(shù)和計算機技術(shù)的迅速發(fā)展及其向機械工業(yè)的滲透所形成的機電一體化，使機械工業(yè)的技術(shù)結(jié)構(gòu)、產(chǎn)品機構(gòu)、功能與構(gòu)成、生產(chǎn)方式及管理體系發(fā)生了巨大變化，使工業(yè)生產(chǎn)由“機械電氣化”邁入了“機電一體化”為特征的發(fā)展階段。

一、機電一體化概要

機電一體化是指在機構(gòu)得主功能、動力功能、信息處理功能和控制功能上引進(jìn)電子技術(shù)，將機械裝置與電子化設(shè)計及軟件結(jié)合起來所構(gòu)成的系統(tǒng)的總稱。

機電一體化發(fā)展至今也已成為一門有著自身體系的新型學(xué)科，隨著科學(xué)技術(shù)的不但發(fā)展，還將被賦予新的內(nèi)容。但其基本特征可概括為：機電一體化是從系統(tǒng)的觀點出發(fā)，綜合運用機械技術(shù)、微電子技術(shù)、自動控制技術(shù)、計算機技術(shù)、信息技術(shù)、傳感測控技術(shù)、電力電子技術(shù)、接口技術(shù)、信息變換技術(shù)以及軟件編程技術(shù)等群體技術(shù)，根據(jù)系統(tǒng)功能目標(biāo)和優(yōu)化組織目標(biāo)，合理配置與布局各功能單元，在多功能、高質(zhì)量、高可靠性、低能耗的意義上實現(xiàn)特定功能價值，并使整個系統(tǒng)最優(yōu)化的系統(tǒng)工程技術(shù)。由此而產(chǎn)生的功能系統(tǒng)，則成為一個機電一體化系統(tǒng)或機電一體化產(chǎn)品。

因此，“機電一體化”涵蓋“技術(shù)”和“產(chǎn)品”兩個方面。只是，機電一體化技術(shù)是基于上述群體技術(shù)有機融合的一種綜合技術(shù)，而不是機械技術(shù)、微電子技術(shù)以及其它新技術(shù)的簡單組合、拼湊。這是機電一體化與機械加電氣所形成的機械電氣化在概念上的根本區(qū)別。機械工程技術(shù)有純技術(shù)發(fā)展到機械電氣化，仍屬傳統(tǒng)機械，其主要功能依然是代替和放大的體力。但是發(fā)展到機電一體化后，其中的微電子裝置除可取代某些機械部件的原有功能外，還能賦予許多新的功能，如自動檢測、自動處理信息、自動顯示記錄、自動調(diào)節(jié)與控制自動診斷與保護等。即機電一體化產(chǎn)品不僅是人的手與肢體的延伸，還是人的感官與頭腦的眼神，具有智能化的特征是機電一體化與機械電氣化在功能上的本質(zhì)區(qū)別。

二、機電一體化的發(fā)展?fàn)顩r

機電一體化的發(fā)展大體可以分為3個階段。20世紀(jì)60年代以前為第一階段，這一階段稱為初級階段。在這一時期，人們自覺不自覺地利用電子技術(shù)的初步成果來完善機械產(chǎn)品的性能。特別是在第二次世界大戰(zhàn)期間，戰(zhàn)爭刺激了機械產(chǎn)品與電子技術(shù)的結(jié)合，這些機電結(jié)合的軍用技術(shù)，戰(zhàn)后轉(zhuǎn)為民用，對戰(zhàn)后經(jīng)濟的恢復(fù)起了積極的作用。那時研制和開發(fā)從總體上看還處于自發(fā)狀態(tài)。由于當(dāng)時電子技術(shù)的發(fā)展尚未達(dá)到一定水平，機械技術(shù)與電子技術(shù)的結(jié)合還不可能廣泛和深入發(fā)展，已經(jīng)開發(fā)的產(chǎn)品也無法大量推廣。

20世紀(jì)90年代后期，開始了機電一體化技術(shù)向智能化方向邁進(jìn)的新階段，機電一體化進(jìn)入深入發(fā)展時期。一方面，光學(xué)、通信技術(shù)等進(jìn)入了機電一體化，微細(xì)加工技術(shù)也在機電一體化中嶄露頭腳，出現(xiàn)了光機電一體化和微機電一體化等新分支；另一方面對機電一體化系統(tǒng)的建模設(shè)計、分析和集成方法，機電一體化的學(xué)科體系和發(fā)展趨勢都進(jìn)行了深入研究。同時，由于人工智能技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)及光纖技術(shù)等領(lǐng)域取得的巨大進(jìn)步，為機電一體化技術(shù)開辟了發(fā)展的廣闊天地。這些研究，將促使機電一體化進(jìn)一步建立完整的基礎(chǔ)和逐漸形成完整的科學(xué)體系。

我國是從20世紀(jì)80年代初才開始在這方面研究和應(yīng)用。國務(wù)院成立了機電一體化領(lǐng)導(dǎo)小組并將該技術(shù)列為“863計劃”中。在制定“九五”規(guī)劃和2010年發(fā)展綱要時充分考慮了國際上關(guān)于機電一體化技術(shù)的發(fā)展動向和由此可能帶來的影響。許多大專院校、研究機構(gòu)及一些大中型企業(yè)對這一技術(shù)的發(fā)展及應(yīng)用做了大量的工作，不取得了一定成果，但與日本等先進(jìn)國家相比仍有相當(dāng)差距。

三、機電一體化的發(fā)展趨勢

1智能化

智能化是21世紀(jì)機電一體化技術(shù)發(fā)展的一個重要發(fā)展方向。人工智能在機電一體化建設(shè)者的研究日益得到重視，機器人與數(shù)控機床的智能化就是重要應(yīng)用。這里所說的“智能化”是對機器行為的描述，是在控制理論的基礎(chǔ)上，吸收人工智能、運籌學(xué)、計算機科學(xué)、模糊數(shù)學(xué)、心理學(xué)、生理學(xué)和混沌動力學(xué)等新思想、新方法，模擬人類智能，使它具有判斷推理、邏輯思維、自主決策等能力，以求得到更高的控制目標(biāo)。誠然，使機電一體化產(chǎn)品具有與人完全相同的智能，是不可能的，也是不必要的。但是，高性能、高速的微處理器使機電一體化產(chǎn)品賦有低級智能或人的部分智能，則是完全可能而又必要的。

2模塊化

模塊化是一項重要而艱巨的工程。由于機電一體化產(chǎn)品種類和生產(chǎn)廠家繁多，研制和開發(fā)具有標(biāo)準(zhǔn)機械接口、電氣接口、動力接口、環(huán)境接口的機電一體化產(chǎn)品單元是一項十分復(fù)雜但又是非常重要的事。如研制集減速、智能調(diào)速、電機于一體的動力單元，具有視覺、圖像處理、識別和測距等功能的控制單元，以及各種能完成典型操作的機械裝置。這樣，可利用標(biāo)準(zhǔn)單元迅速開發(fā)出新產(chǎn)品，同時也可以擴大生產(chǎn)規(guī)模。這需要制定各項標(biāo)準(zhǔn)，以便各部件、單元的匹配和接口。由于利益沖突，近期很難制定國際或國內(nèi)這方面的標(biāo)準(zhǔn)，但可以通過組建一些大企業(yè)逐漸形成。顯然，從電氣產(chǎn)品的標(biāo)準(zhǔn)化、系列化帶來的好處可以肯定，無論是對生產(chǎn)標(biāo)準(zhǔn)機電一體化單元的企業(yè)還是對生產(chǎn)機電一體化產(chǎn)品的企業(yè)，規(guī)?；瘜⒔o機電一體化企業(yè)帶來美好的前程。

3網(wǎng)絡(luò)化

20世紀(jì)90年代，計算機技術(shù)等的突出成就是網(wǎng)絡(luò)技術(shù)。網(wǎng)絡(luò)技術(shù)的興起和飛速發(fā)展給科學(xué)技術(shù)、工業(yè)生產(chǎn)、政治、軍事、教育義舉人么日常生活都帶來了巨大的變革。各種網(wǎng)絡(luò)將全球經(jīng)濟、生產(chǎn)連成一片，企業(yè)間的競爭也將全球化。機電一體化新產(chǎn)品一旦研制出來，只要其功能獨到，質(zhì)量可靠，很快就會暢銷全球。由于網(wǎng)絡(luò)的普及，基于網(wǎng)絡(luò)的各種遠(yuǎn)程控制和監(jiān)視技術(shù)方興未艾，而遠(yuǎn)程控制的終端設(shè)備本身就是機電一體化產(chǎn)品。

4微型化

微型化興起于20世紀(jì)80年代末，指的是機電一體化向微型機器和微觀領(lǐng)域發(fā)展的趨勢。國外稱其為微電子機械系統(tǒng)（MEMS），泛指幾何尺寸不超過1cm3的機電一體化產(chǎn)品，并向微米、納米級發(fā)展。微機電一體化產(chǎn)品體積小、耗能少、運動靈活，在生物醫(yī)療、軍事、信息等方面具有不可比擬的優(yōu)勢。微機電一體化發(fā)展的瓶頸在于微機械技術(shù)，微機電一體化產(chǎn)品的加工采用精細(xì)加工技術(shù)，即超精密技術(shù)，它包括光刻技術(shù)和蝕刻技術(shù)兩類。

5綠色化

工業(yè)的發(fā)達(dá)給人們生活帶來了巨大變化。一方面，物質(zhì)豐富，生活舒適；另一方面，資源減少，生態(tài)環(huán)境受到嚴(yán)重污染。于是，人們呼吁保護環(huán)境資源，回歸自然。綠色產(chǎn)品概念在這種呼聲下應(yīng)運而生，綠色化是時代的趨勢。綠色產(chǎn)品在其設(shè)計、制造、使用和銷毀的生命過程中，符合特定的環(huán)境保護和人類健康的要求，對生態(tài)環(huán)境無害或危害極少，資源利用率極高。設(shè)計綠色的機電一體化產(chǎn)品，具有遠(yuǎn)大的發(fā)展前途。機電一體化產(chǎn)品的綠色化主要是指，使用時不污染生態(tài)環(huán)境，報廢后能回收利用。

6系統(tǒng)化

系統(tǒng)化的表現(xiàn)特征之一就是系統(tǒng)體系結(jié)構(gòu)進(jìn)一步采用開放式和模式化的總線結(jié)構(gòu)。系統(tǒng)可以靈活組態(tài)，進(jìn)行任意剪裁和組合，同時尋求實現(xiàn)多子系統(tǒng)協(xié)調(diào)控制和綜合管理。表現(xiàn)之二是通信功能的大大加強，一般除RS232外，還有RS485、DCS人格化。未來的機電一體化更加注重產(chǎn)品與人的關(guān)系，機電一體化的人格化有兩層含義。一層是，機電一體化產(chǎn)品的最終使用對象是人，如何賦予機電一體化產(chǎn)品人的智能、情感、人性顯得越來越重要，特別是對家用機器人，其高層境界就是人機一體化。另一層是模仿生物機理，研制各種機電一體花產(chǎn)品。事實上，許多機電一體化產(chǎn)品都是受動物的啟發(fā)研制出來的。

結(jié)語

綜上所述，機電一體化的出現(xiàn)不是孤立的，它是許多科學(xué)技術(shù)發(fā)展的結(jié)晶，是社會生產(chǎn)力發(fā)展到一定階段的必然要求。當(dāng)然，與機電一體化相關(guān)的技術(shù)還有很多，并且隨著科學(xué)技術(shù)的發(fā)展，各種技術(shù)相互融合的趨勢將越來越明顯，機電一體化技術(shù)的廣闊發(fā)展前景也將越來越光明。

參考文獻(xiàn):

李建勇．機電一體化技術(shù)．北京：科學(xué)出版社，2004．

篇10

【關(guān)鍵詞】人臉識別 人臉檢測

近年，生物特征識別這一技術(shù)發(fā)展今非昔比。其中，人臉識別是一種非接觸性技術(shù)，具有可視化、符合人的思維習(xí)慣的特點，得以在商業(yè)、安全等領(lǐng)域廣泛應(yīng)用。目前，人臉識別逐漸成為一個熱門的研究領(lǐng)域。

1 人臉識別的方法

隨著技術(shù)的發(fā)展，人臉識別方法也呈現(xiàn)出“百花齊放”的趨勢。從整體上把握，人臉識別技術(shù)可以分為以下三種：

1.1 基于幾何特征的正面人臉識別方法

該方法是最早的人臉檢測方法，是對人臉的等先驗知識導(dǎo)出規(guī)則的利用。人臉面部器官可以近似的看作是常見的幾何單元，膚色也人臉的是重要特征之一。該方法就是采集人臉的重要的面部特征及其之間的相對距離、特征分布等參數(shù)從而形成一個可以表示人臉特征向量，例如角度、曲率等。該方法抗干擾能力極強，對于光照變化的敏感度很低，并且直接利用人臉信息，便于理解。同時，由于該方法算法只關(guān)心器官的基本形狀和位置結(jié)構(gòu)，并沒有側(cè)重細(xì)節(jié)特征，所以對于從圖像中提取穩(wěn)定的特征就比較困難。這就意味著當(dāng)人的面部表情的變化較大時，或者是出現(xiàn)了存在遮擋物等影響魯棒性差的情況，對于人臉特征的提取就會變得困難甚至錯誤。

1.2 基于模板匹配的人臉識別方法

模板匹配主要包括靜態(tài)匹配和彈性匹配，可以細(xì)分為：動態(tài)連接匹配法、特征臉方法、線性判別方法、神經(jīng)網(wǎng)絡(luò)法等。靜態(tài)匹配方法在使用時也需要對圖像進(jìn)行適當(dāng)?shù)臉?biāo)準(zhǔn)化，隨后利用整幅圖像的灰度級、生理特征區(qū)的灰度圖像和變換后的人臉圖像模板。由于是靜態(tài)的匹配，模板的靈活性差，當(dāng)出現(xiàn)面部表情過大時，就無法使用模板。所以產(chǎn)生了動態(tài)的模板匹配，也稱為動態(tài)連接匹配法。該方法是建立反映人臉特征形狀可變部分的特征參數(shù)模型。該方法的有點就在于其靈活性大大的提高，適用于更多情況下的人臉檢測，同時魯棒性較于靜態(tài)更好。但是該方法容易因為計算時間太長而陷入局部最小。

1.3 基于模型的人臉識別方法

該方法是利用數(shù)學(xué)模型的參數(shù)進(jìn)行人臉識別，合并人臉尺度和人臉方向的人臉。該方法著重了人臉各器官的不同特征和相互聯(lián)系，又不敏感于面部表情變化，魯棒性好，計算量也并不巨大。基于隱馬爾科夫模型法就是其中最經(jīng)典的方法。

2 人臉識別的現(xiàn)狀

人臉識別技術(shù)正式起步于美國，我國接觸該技術(shù)較晚，但是經(jīng)過科研人員和學(xué)者們多年的研究和實驗，目前我國的人臉識別技術(shù)已經(jīng)達(dá)到國際先進(jìn)的水平。

2.1 國內(nèi)

在我國，最早從人工向計算機智能識別發(fā)展的生物識別技術(shù)是指紋識別，但是在實際應(yīng)用中逐漸產(chǎn)生了對人臉識別技術(shù)的需求。從2001年開始，公安部門就開始使用這一技術(shù)來防范打擊重大刑事犯罪并取得國家的支持。隨后，我國在2008年北京奧運會舉行時應(yīng)用了人臉識別技術(shù)，這標(biāo)志著我國的人臉識別進(jìn)入大規(guī)模的使用階段。在前幾年舉辦的世博會上，該技術(shù)得到更加廣泛的應(yīng)用，同時各大公司也逐漸加入，實現(xiàn)了人臉識別技術(shù)在中國的大規(guī)模應(yīng)用。隨著我國技術(shù)的不斷進(jìn)步，“三化兩合”將是人臉識別發(fā)展的必然趨勢。“三化”指：主流化、芯片化、標(biāo)準(zhǔn)化；“兩合”指：與其他生物特征的多生物特征融合與REID的聯(lián)合。

2.2 國外

國內(nèi)外對于人臉識別的研究都非常的活躍。美國、德國、日本等經(jīng)濟發(fā)達(dá)國家和部分發(fā)展中國家都有研究機構(gòu)和研究人員對此進(jìn)行專門的研究。以下只取其中篩齬家作為例子。

2.2.1 美國

美國是人臉識別技術(shù)最先起步的國家，也是最先應(yīng)用該技術(shù)的國家，其人臉識別技術(shù)的水平一直走在國際前列。早在1993年，美國國防部就啟動了FERET項目，為其之后的生物智能識別技術(shù)奠定了基礎(chǔ)，推動人臉識別技術(shù)從初始階段提升到原型系統(tǒng)階段。目前，美國電影中沒有鑰匙孔只有一個攝像頭的大門，刷一下人臉就可以進(jìn)入；機要部門的核心設(shè)備通過指紋進(jìn)行設(shè)備的解鎖；追蹤情節(jié)中利用街邊攝像頭進(jìn)行識別等等，這些場景在實際生活中已經(jīng)得到實際的應(yīng)用。例如，F(xiàn)BI在2014年就推出了他們的新一代的電子識別系統(tǒng)，總投入超過10億美金。用于利用監(jiān)控鎖定犯罪嫌疑人，從而進(jìn)行全網(wǎng)追捕。不僅如此，美國國防部和國土安全部門加大了對人工智能識別技術(shù)的投資，用來防止對公共安全造成的威脅。

2.2.2 日本

日本雖然也是略晚接觸人臉識別技術(shù)的國家，但是其發(fā)展卻日新月異。在2014年日本的一家研究中心就在日本大阪試驗一項基于視頻的人臉識別技術(shù)，目的在于當(dāng)災(zāi)難來臨是，通過實時監(jiān)控中人臉的表情以及人流的動態(tài)來判斷各個緊急安全出口是否可用。日本近年來一直在加快對只能視頻分析技術(shù)的研究。據(jù)中關(guān)在線報道，2015年日本日立公司推出的視頻監(jiān)控人臉識別技術(shù)能夠技術(shù)能夠以3600萬張圖像/秒的速度進(jìn)行掃描，以高精度識別出路人，并且即時存儲路人臉部圖像，將長相相似的人臉進(jìn)行分類。隨后，據(jù)中新網(wǎng)2015年7月3日報道，日本在國內(nèi)的骨干機場引進(jìn)了通過計算機智能識別人臉來確認(rèn)身份的系統(tǒng)，有望在舉辦東京奧運會和殘奧會的之前，推進(jìn)日本人出入境審查的無人化，大大縮短外國游客入境審查的時間。

3 人臉識別的展望

雖然人臉識別技術(shù)目前還存在一些缺陷，但是這一技術(shù)目前已經(jīng)得到了非常迅速的發(fā)展，還出現(xiàn)了專門的國際會議，越來越多的研究人員和研究機構(gòu)投入其中，同時各國也開始逐漸試驗這一技術(shù)，那些亟待解決的問題不過也是時間的問題。相信不久的將來，這一人工智能技術(shù)會在不斷的應(yīng)用中逐漸完善，并且造福全人類。

參考文獻(xiàn)

[1]吳巾一.人臉識別方法綜述[A].計算機應(yīng)用研究，2009（09）：3205-3209

[2]姜賀.基于幾何特征的人臉識別算法[D].大連：大連理工大學(xué)，2008（12）.

[3]生物特征識別技術(shù)需從應(yīng)用中逐步完善[J].智能建筑與城市信息，2014（09）：15-19

[4]余龍華.基于隱馬爾科夫模型的人臉識別[A].計算機技術(shù)與發(fā)展，2012（02）：25-28