关键词： 智能科学   智能信息处理   机器学习   人工心理   计算智能   人工智能   专家系统   领域理论研究  

摘要： 期刊简介《智能系统学报》是中国人工智能学会的会刊,由中国人工智能学会与哈尔滨工程大学联合主办,旨在创办中国智能科学领域最具引领性的中文学术期刊,主要刊登人工智能与计算智能、智能控制与决策、智能信息处理、专家系统与知识工程、机器学习与知识发现以及人工心理与机器情感等内容,反映我国智能科学领域理论研究及科研进展情况,以促进和扩大国内外学术交流,为我国智能科学的发展和社会进步服务。

关键词： 人工智能   新工科   大学计算机   机器学习   教学改革  

摘要： 分析大学计算机课程中引入人工智能内容存在的挑战,从教学目标、教学内容、教学模式、实践环节以及考核方式多个方面介绍教学全过程改革和实践过程,并通过调查问卷说明教学效果,为新工科建设中大学计算机课程的进一步改革和新工科人才培养提供有益的借鉴。

关键词： 肺癌   智能算法   人工智能   机器学习   文献调研  

摘要： 随着人工智能技术的发展与应用,计算智能算法已成为国内外众多领域的研究热点。作为恶性肿瘤,肺癌在我国的发病率和死亡率增长最快,科学家们虽已在肺癌的早期预测和治疗上取得突破性进展,但目前还缺少对相关研究文献的系统性整理。该研究以万方数据库、Web of Science数据库为数据来源,采用文献计量学方法,检索近10年间智能算法在肺癌研究中的应用,通过对比分析与数据可视化,得出国内外研究趋势和发展差距,从而为国内该领域研究者提供参考和借鉴。

关键词： 科学   计算   人工智能   机器学习   元宇宙  

摘要： 重视实验和运用数学工具的科学方法,已经有数百年的发展历史。在过去几十年间,引入了计算的科学方法。计算机的未来无处不在,无时不在。AI/ML(人工智能/机器学习)在科学与工程中的应用是当前的重要趋势,油气行业比较其它行业有所滞后,但近年有了快速发展。科学AI将引发新的科学革命,重塑科学。元宇宙已经成为人工智能之后最热门的流行语,有潜力让世界变得更好。AI(人工智能)、AR/VR(增强现实/虚拟现实)等新兴技术正在重塑石油和天然气工业。

关键词： 智能科学   智能信息处理   机器学习   人工心理   计算智能   人工智能   专家系统   领域理论研究  

摘要： 期刊简介《智能系统学报》是中国人工智能学会的会刊,由中国人工智能学会与哈尔滨工程大学联合主办,旨在创办中国智能科学领域最具引领性的中文学术期刊,主要刊登人工智能与计算智能、智能控制与决策、智能信息处理、专家系统与知识工程、机器学习与知识发现以及人工心理与机器情感等内容,反映我国智能科学领域理论研究及科研进展情况,以促进和扩大国内外学术交流,为我国智能科学的发展和社会进步服务。

关键词： 计算机技术   电子商务   机器学习   智能算法  

摘要： 计算机智能化技术在电子商务中具有多重优势，既能通过个性化推荐、智能搜索提高运营效率，也能模拟虚拟试衣间、实现供应链可视化和协作平台等，进一步提升用户体验。计算机智能化技术在电子商务的实际应用过程中取得了显著成效，并且仍在不断发展壮大，拥有广阔的发展前景。因此，应对具体应用情况进行分析，根据市场发展趋势与技术发展空间，提出计算机智能化技术在电子商务中的发展方向，推动电商行业的蓬勃发展。

关键词： 神经网络   深度学习   机器学习   计算机配色   配色模型  

摘要： 计算机配色技术对纺织行业的发展至关重要,它不仅可提高配色效率和精度、增强设计灵活性、降低成本,并且积极响应国家绿色发展的号召,为纺织品行业的进一步发展提供了更多的机遇和挑战。通过传统神经网络技术实现计算机配色的方法目前存在局限性,在处理较为复杂数据时易出现过拟合、泛化能力弱的现象,因此还需探索效果更佳的新方法。此外,目前常见的测配色系统,如爱色丽Color i7台式分光光度仪配套使用的Color i Match配色系统,Datacolor 800配套使用的Datacolor Match配色系统,其使用限制性较强,可拓展性较弱,功能不够完备。为突破传统神经网络的局限性及解决目前常见测配色系统存在的问题,本文研究了一种将适应能力更强的深度学习技术应用于计算机配色当中的新方法,并开发出具有较为全面完备功能的基于机器学习的计算机智能配色系统。论文的主要工作如下:1.本文通过对比采用较成熟的传统神经网络技术和较新的深度学习模型实现计算机智能配色,筛选出3种较为成熟的传统神经网络和2种较为常用的深度学习框架,在此基础上,设计并构建5种计算机配色模型,继而进行大量实验对模型进行结构调整和参数优化,并采用精度较高的实验数据进行训练以及预测配方。通过对比5种模型,基于预测结果分析各模型的优缺点,结果显示,基于CNN卷积深度学习模型的配方预测效果最佳,其他模型预测效果从优到劣依次为基于贝叶斯算法BP神经网络模型、基于DNN全连接深度学习模型、基于RBF神经网络模型、基于L-M算法BP神经网络模型。2.本文设计并实现了基于机器学习的计算机智能配色系统,即具有基础色度参数计算、颜色深度计算、色差计算、色空间转换、智能配色功能的计算机配色系统。在该系统中加入了已实现的5种配色模型,以便后期继续对各模型的适用性进行进一步验证和优化。相比于现有的测配色系统,该系统的优点主要有:在使用上不受测色仪器限制,可脱机使用;在可拓展性上更加灵活,采用模块设计,便于维护和升级;在功能上更加全面,除了计算基本的色度参数和色差之外,增加颜色深度计算功能,实现了12种颜色深度公式计算;在计算方法上更具创新,在颜色空间转换功能中,解决了DIN颜色系统部分区域无法插值计算的问题;在配色模型方面,设计并实现了预测效果更优的基于CNN卷积深度学习的配色模型,在训练拟合度方面达到0.99894,在配方预测方面与验证真实配方数据之间误差仅为3.5441%。综上,采用深度学习技术进行计算机配色具有重要的研究意义及应用价值,相对于传统神经网络而言,深度学习模型结构更加灵活,适应性更强;预测结果更准,泛化能力更佳。

关键词： 网络人工智能   多接入边缘计算   机器学习   深度学习   深度强化学习   卸载决策   资源分配   非正交多址   双连接  

摘要： 网络人工智能(Artificial Intelligence,AI)是一种集成了连接、算力、算法和数据的创新技术,拓宽了未来网络的服务范围,并将引领通信网络进入一个全新领域。同时,多接入边缘计算(Multi-access Edge Computing,MEC)是一种新兴的计算范式,将云计算能力推向更靠近用户的网络边缘,从而提高用户体验质量(Quality of Experience,QoE)。值得注意的是,网络AI与MEC并不冲突,两者可以相互结合,共同推动未来网络的高速发展和智能应用的广泛实现。计算卸载作为MEC的关键用例之一,允许用户将计算密集型或延迟敏感型任务卸载到附近的边缘节点,从而提高用户的计算能力和QoE。然而,在移动通信网络中,由于用户移动导致基站切换和场景变化,需提出自适应算法来制定MEC卸载决策和资源分配策略。本文重点研究异构网络中MEC的卸载决策和资源分配问题,旨在提出具有自适应能力和较低复杂度的智能优化算法,以适应移动环境中的场景变化并满足实时决策需求。本文的主要贡献如下:1)研究了异构网络中多用户卸载场景下,MEC卸载决策和时间调度对能耗性能的影响。首先,提出了双连接(Dual Connectivity,DC)和非正交多址(Non-orthogonal Multiple Access,NOMA)技术辅助的MEC卸载方案,使用户设备(User Equipment,UE)可以同时将任务卸载到宏基站(Macro Cell Base Stations,MBS)和小基站(Small Cell Base Station,SBS)。其次,分析了MEC卸载过程中各阶段的时延和能耗,并构建了具有时延约束的能耗最小化问题。为获得次优的任务划分和时间调度策略,提出了一种基于连续凸近似(Successive Convex Approximation,SCA)的凸差规划(Difference of Convex Programming,DCP)算法。同时,为进一步提高推理效率,引入了一种基于深度分支网络(Branchy Network,BranchyNet)和深度残差网络(Residual Network,ResNet)的循环分支算法。最后,数值结果表明,提出的卸载方案在能耗性能方面优于其他卸载方案。另外,与传统优化算法相比,基于深度学习(Deep Learning,DL)的算法大幅降低了推理时间,但具有与其媲美的能耗性能。2)研究了超密集组网中单用户移动场景下,MEC卸载决策和功率分配对能耗性能的影响。首先,构建了下行NOMA和DC技术使能的MEC卸载方案,使单个移动用户(Mobile User,MU)能够同时将计算任务卸载到多个基站上,并对用户移动过程中MEC卸载的能耗和时延进行建模。其次,根据优化目标的不同,将其分为仅考虑MU传输能耗和同时考虑MU传输与MEC服务器(MEC Server,MES)计算总能耗的两种情况。由于两个优化目标均为具有非凸约束的混合整数非线性规划(Mixed-Integer Nonlinear Programming,MINLP)问题,将问题分为任务划分和功率分配两个子问题。为获得任务划分和功率分配决策,提出了一种基于二分搜索的启发式算法。同时,为满足卸载决策的实时性需求,针对两种目标分别提出了基于模型池和微调的深度学习算法和基于奖励整形和双延迟深度确定性策略梯度(Twin Delayed Deep Deterministic Policy Gradient,TD3)的深度强化学习(Deep Reinforcement Learning,DRL)算法。数值结果表明,相较于启发式算法,提出的两种基于机器学习(Machine Learning,ML)的算法在推理时间更具优势,但在能耗性能上与其相当。3)研究了异构网络中多用户移动场景下,MEC卸载决策和功率分配对能耗性能的影响。首先,引入DC技术使MU可以同时连接到MBS和SBS,且NOMA技术允许位于同一服务小区内的多个MU共享相同时频资源。其次,考虑用户移动导致场景变化,对不同场景下MEC卸载过程中的时延和能耗进行建模,并将问题构造为用户传输和MES计算总能耗最小化问题。然后,将问题划分为功率分配和任务划分两个子问题。为获得任务划分和功率分配决策,提出了一种基于梯度下降的迭代优化算法。同时,为满足模型自适应和实时决策要求,提出了一种基于模型池和TD3的DRL算法。最后,数值结果表明,在推理效率上,基于DRL的算法显著优于迭代优化算法和Lingo算法;但在能耗性能上,三种算法相差不大。4)研究了具有多MU的异构网络中,MEC卸载决策、算力控制和功率分配对计算时延的影响。首先,分析了用户在不同场景下的时延和能耗,并将问题构建为能耗约束下的用户最大时延最小

关键词： 蛋白质与多肽结合位点预测   蛋白质与多肽相互作用预测   大规模预训练模型   机器学习   生物序列分析平台  

摘要： 蛋白质与多肽相互作用在理解蛋白质功能和探索药物发现等方面发挥着重要作用。识别蛋白质-多肽结合位点对于深入了解这些相互作用至关重要。随着机器学习的发展与广泛应用,利用计算方法预测蛋白质和多肽相互作用和其结合位点已经成为生物学研究的重要方向之一。但是,现有的预测蛋白质与多肽结合位点的计算方法大都需要依赖第三方工具进行手工特征设计,容易导致较低的计算效率和较差的预测性能。同时,目前还没有方法可以同时预测蛋白质与多肽二元相互作用及其结合位点。此外,新一代测序技术的发展带来了海量生物序列数据,包括基因组、转录组以及蛋白质组等。为挖掘与分析生物序列与其功能结构之间的关系,最近开发了大量基于机器学习的生物序列分析平台,但是这些平台大都不能实现自动化流程,提供的深度学习框架较少,并且结果分析比较单一。因此,对于非计算机背景的研究人员非常需要一个完全基于深度学习的一站式生物序列功能综合分析平台。本文面向蛋白质与多肽结合数据以及高通量生物序列数据,围绕相互作用及位点预测与生物序列功能分析平台搭建,进行了以下研究:1.针对蛋白质与多肽结合位点的预测,面向现有计算方法存在的繁杂的特征设计问题,本文提出了基于大规模预训练模型与对比学习的端到端的预测方法PepBCL。本研究引入了在大规模数据集上预训练的蛋白质语言模型来自动提取和学习与蛋白质结构和功能相关的高质量表示。通过对比学习策略,进一步优化了不平衡数据集中结合位点的特征表示。在基准数据集上,本文提出的PepBCL方法在所有指标方面优于现有的基于序列的方法,在大多数指标方面优于基于结构的方法。此外,本研究还探讨了PepBCL中注意力机制对于蛋白质结合区域中结合位点周围残基序列特征的挖掘能力,从而对模型如何预测结合位点进行了一定的解释。2.面向现有方法存在的不能同时预测蛋白质与多肽的二元相互作用以及它们之间的结合位点问题,本文提出了基于多任务学习策略的预测方法CPPIF。通过多任务学习训练策略,不同任务间可以相互辅助,从而实现了比单任务训练预测性能的提升。为了学习蛋白质与多肽之间的交互信息,本研究创新性的将它们一起放入预训练模型中编码学习特征表示。基准数据集上的实验结果表明,本文提出的方法在蛋白质-多肽二元相互作用与结合位点预测任务上都优于现有方法。另外,本研究还探索了模型对于潜在的蛋白质-多肽相互作用的挖掘能力,并通过分子对接实验进行了验证。3.针对现有生物序列分析平台存在的深度学习方法较少与结果分析单一的问题,本文提出了可用于高通量生物序列功能分析的深度学习计算平台DeepBIO。DeepBIO支持42种深度学习算法,使研究人员能够根据生物学问题选择适合的算法,并自动进行模型训练、优化和评估。同时,DeepBIO提供了全面的结果可视化分析,包括模型可解释性、特征分析和功能序列区域发现等方面。此外,DeepBIO还支持9个功能位点注释任务,运用详细的可视化分析验证注释位点的可靠性。

关键词： 边缘计算无线网络   智能资源调配   机器学习   边缘缓存   计算协作与卸载   传输跨层优化   流行度预测   隐私保护  

摘要： 边缘计算使能的无线网络通过在无线接入节点上配备边缘计算服务器,将缓存、通信、计算等多维度资源引入到靠近用户的无线网络边缘,为用户提供邻近的实时计算和本地化处理能力,从而显著提升无线业务的服务质量并有效缓解核心网压力,被认为是一种前景巨大的未来无线网络范式得到广泛且持续的研究。伴随着多维度资源的引入,如何智能、高效、安全地调配这些丰富资源成为提升网络性能的关键。然而,用户复杂多变的主观行为、敏感数据的隐私保护需求、高度动态的分布式边缘网络环境、多维度资源的复杂耦合关系等,给边缘计算使能的无线网络中资源调配研究带来了一系列挑战。本文充分利用人工智能技术的高自适应性、强学习能力等优点,深入研究了边缘计算使能的无线网络智能资源调配技术这一课题。在考虑用户动态主观兴趣,网络隐私安全保护,边缘网络环境复杂变化等实际因素的基础上,围绕系统中的核心网络资源,即缓存资源、通信资源和计算资源,对资源智能调配中的关键问题展开了深入研究。具体研究内容和主要贡献如下: 1内容流行度预测是推断用户主观兴趣演变,支撑缓存资源高效调配的重要途径。针对隐私保护约束下内容流行度预测所存在的数据交互障碍,手工标签代价高昂、预测精度低的问题,提出了一种无监督循环联邦学习算法,实现了强隐私、高精度、无监督的分布式流行度实时预测,为后续的缓存资源调配研究提供重要支撑。具体地,首先引入了局部流行度和全局流行度的概念,并理论推导和仿真验证了两者之间的数学关系,揭示了隐私保护约束下推断全局流行度所面临的参数未知、数据缺失的困境。在此基础上,将每个用户端的局部时变流行度建模为无模型马尔科夫链,并针对局部和全局流行度建立了隐私保护约束下的分布式实时预测误差最小化问题。然后,提出了一种无监督循环联邦学习算法,实现了隐私数据保护和无监督训练,同时分布式地实时预测系统中的内容流行度。其中所提算法,在整体上采用了联邦学习的分布式框架以实现隐私保护,在本地学习节点上进行自编码器联合长短期记忆网络的结构设计实现了本地无监督训练和高效时间序列预测,在联邦参数聚合上设计了一种联邦损失加权平均参数聚合方案以缓解用户非独立同分布行为所带来的影响。数值仿真全面验证了所提算法在隐私保护约束下流行度预测精度方面的性能增益。 2针对缓存资源调配在隐私保护约束下所存在的调配策略优化困难、缓存资源利用率低等问题,提出了基于动态边缘缓存的缓存资源调配策略,并进一步从流行度预测协助的角度提出了一种隐私保护的分布式深度确定性策略梯度算法,实现缓存资源调配策略的智能优化。具体地,首先设计了一种基于动态边缘缓存的缓存资源动态调配策略进行缓存资源的个性化动态管理。然后,在隐私保护约束下建立分布式缓存命中率最大化问题,并进一步将分布式优化问题转化为分布式无模型马尔可夫决策过程。然后引入前述无监督循环联邦学习算法进行隐私保护的流行度预测,以解决马尔科夫状态部分不可观测问题的同时协助缓存资源动态智能调配策略的优化。随后,提出了一种隐私保护分布式深度确定性策略梯度算法来求解分布式缓存命中率最大化问题。其中所提算法,在整体上采用了集中式训练分布式执行的分布式强化学习框架以保护用户隐私,对本地用户广播训练好的策略网络以实现本地缓存策略的分布式执行。此外,在策略网络前端接入了流行度预测模型解决了集中式训练期间由于隐私保护约束所导致的系统状态不可观测问题。最后,通过数值仿真实验,验证了所提算法能够在保护用户隐私的同时显著提升系统中各设备的缓存利用效率。 3边缘计算使能的无线网络中考虑协作多点联合传输的跨层优化可以充分利用系统中的通信资源,提升数据传输速率。针对协作多点联合传输的边缘计算使能无线网络,研究了联合子载波分配与波束赋形的跨层通信资源智能调配问题,提出了两种基于多目标自监督学习的调配策略优化算法,在降低计算复杂度的同时显著提升系统加权和速率。还提出了一种基于距离感知的迁移学习算法,实现了以微小计算成本维持动态系统的性能稳定。具体而言,首先建立了最小速率和最大功率约束下的加权和速率最大化问题,然后将该基础优化问题转化为多目标优化问题,并提出了一个集中式多目标自监督学习算法来求解该问题的同时避免昂贵的手工标签代价。其中,设计了两种新颖而通用的损失函数,以赋能自监督学习,并从理论与仿真两方面论证了所设计损失函数在鲁棒性、高效性等方面的优势。进一步地,为了解决集中式学习在大规模网络下所面临的维度灾难问题,基于网络中边缘服务器的分布式部署特点,提出了一种分布式多目标自监督学习算法,能够通过集中式的损失计算以及分布式的反向传播参数更新,让每个边缘节点进行自主智能地载波分配和波束设计,从而降低了算法的复杂度,同时提升了算法伸缩性。最后,为了应对有新基站加入的动态网络环境,基于所提分布式智能算法的高伸缩性,进一步提出了一种距离感知的迁移学习