Machine intelligence, rough sets and rough-fuzzy granular computing: uncertainty handling in bio-informatics and Web intelligence

Machine intelligence, is out of the system by the artificial intelligence shown. It is usually achieved by the average computer intelligence. Rough sets and Information Granules in uncertainty management and soft computing and granular computing is widely used in many fields,such as in protein sequence analysis and biobasis determination, TSM and Web service classification Etc.     

处理人工智能应用的高性能计算机的架构和评测

人工智能(artificial intelligence,AI)的3块基石是大数据、高性能计算、深度学习算法,大数据被称为"算料",高性能计算被称为"算力",深度学习算法被称为"算法".人工智能主要的研究领域就是算料、算力和算法.算力基础设施作为处理人工智能应用的基石,一直被各个国家给予高度重视.由于人工智能应用的飞速发展,适用于人工智能应用的新一代超级计算机不断诞生.对比了传统超级计算机和人工智能算力系统,论述了人工智能算力系统的发展和人工智能算力评估方法研究的现状.     

2018年人工智能研发热点回眸

 2018年，人工智能学科各分支取得了一系列研究进展，并在众多领域获得广泛应用。本文遴选人机融合智能、群体智能、认知计算、情感计算、智能机器人、智慧城市、人工智能医疗等分支作为代表，回顾了2018年人工智能领域的热点事件。     

基于云计算的商业情报采集系统

商业情报采集系统不同于传统的搜索引擎系统,情报具有时效性、针对性等特点,传统搜索引擎中的数据分类和聚类技术不能完全满足商业情报采集过程中对时效性和针对性的特殊需求。提出一种商业情报采集解决方案,在云计算环境中采用贝叶斯分类算法和多种网页去重、提取等算法,实现对互联网数据的实时性抓取、分析、分类、聚类,形成对用户全方位立体化的情报本体,抓取的海量数据采用分布式文件系统存储,采集的情报用基于云的数据库CouchDB存储。     

一种基于拍卖与群体智能的作业分配方法

基于微观经济学与群体智能知识,设计了一种网格系统中的作业分配方法.该方法首先基于改进的英国式拍卖模型确定资源购买者和资源提供者之间的资源交易价格,然后使用混沌搜索混合粒子群优化算法寻找作业分配方案,通过引入适当的适宜值函数,达到了兼顾时限与成本的目的.仿真结果表明,与现有的一些方法相比,该方法是可行和有效的,作业对资源的分配较均衡,效用较高.     

大数据智能下数据脱敏的思考

 随着人工智能技术在大数据与高性能计算的推动下飞速发展，涌现出大量创新性的方法，对现有的数据安全与脱敏方法带来了诸多挑战。从当今大数据与智能技术发展的现状入手，讨论了数据脱敏技术的内涵、工作流程、系统机制、典型脱敏案例，展望了未来数据脱敏技术的发展趋势，从技术、需求和法治、管理机制方面提出了一些数据脱敏的建议。     

广义计算与商业智能

广义计算是一类融符号计算、神经计算、模糊计算和演化计算于一体的智能型问题求解方法 ,而商业智能则是一门实用性很强的新型学科 .本文简要讨论了广义计算的基本原理 ,分析了商业智能的发展现状与关键技术 ,提出了一种新的基于广义计算的商业智能模型 .     

智慧综合集成研讨厅中的聚度计算与分析

在科技创新过程中,基于各种形式的群体专家研讨是激发智慧的最好途径,但是,在研讨厅内对具有极其灵活多变的多个专家的智慧进行定量描述与整体分析显得相当复杂,由此也给智慧综合集成带来了较大困难.基于专家智慧点的聚度计算与聚度场描述为分析多个专家智慧提供了方便,通过聚度可以找到研讨中的受关注点和受批判点,结合不同智慧点,重视受批判点对受关注点的冲击和调整,由此综合得出合理观点,形成智慧综合集成的结论.     

水信息学与智能水力学

对两个新兴边缘学科水信息学和智能水力学的产生背景、研究对象和主要内容作了介绍；指出智能水力学是水信息学的一分支学科，二者的发展和完善有利于水利信息化和数字化建设，并可促进水利行业的可持续发展。     

大学生情绪智力与幸福感相关研究

目的：探索情绪智力与幸福感的相关关系。方法：运用情绪智力量表和综合幸福问卷对南昌大学208名大学生进行问卷调查。结果：大学生总体情绪智力的均值为3.68,自我情绪管理（3.84）在四个维度中得分最高。另一方面,大学生的幸福指数均值为6.07,自我价值（5.34）在九个维度上得分最高。情绪智力与幸福感相关显著。回归分析发现,自我价值、正性情感、健康关注共解释了总体情绪智力的29.2%。结论：情绪智力与幸福感存在显著的正相关。     

多元智能理论与学生潜能开发

世界著名发展心理学家霍华德·加德纳于20世纪80年代提出多元智能理论,其主要特点是:多元性、文化性、差异性、实践性、开发性.多元智能理论与传统智能理论的主要区别有:本质内涵不同、评估方式不同、对影响智力形成因素的观点不同.基于多元智能理论的启示,开发学生的潜能要做到:重视文化环境建设、坚持教育公平、尊重个体差异、实施素质教育.     

网络安全技术与智能建筑

通过对建筑智能化系统网络安全现状及智能建筑对网络安全依赖性的分析,从现代网络安全技术的角度提出了智能建筑中网络技术的安全设计方法及技术与组织管理措施。建筑智能化系统网络的安全要遵循最小权原则、多重性原则、最低成本原则及不断完善原则。     

人工智能教育发展中的问题及建议

 人工智能正以前所未有的速度深层推动教育教学改革与创新发展，人工智能教育面临巨大的机遇和挑战。从教育大数据、人工智能技术、教学内容、应用场景、教师队伍等维度入手，探讨了人工智能教育当前面临的问题，并对人工智能教育的未来发展提出了相关建议。     

群智演化协同计算的研究进展与趋势

群体智能是通过聚集群体智慧协同求解大规模复杂问题的智能方法,其思想最初源于对自然界中社会性生物群体智能行为的模拟。群体生物通过分工合作、相互协调、协同演化,可涌现出整体性的智能行为,完成复杂任务,具有高度的自组织、自适应、自学习能力。受此启发,国内外学者运用数学和计算机工具对群体智能行为进行模拟,从不同角度发展了一系列群体智能涌现与演化的机理和模型。近年来,随着互联网的发展,人类社会基于物联网的群智协同和演化现象进一步拓宽了群智演化计算的范畴,呈现出广阔的应用前景,也对群智演化的理论模型和应用提出了新挑战。2017年,《新一代人工智能发展规划》明确将群体智能列为需重点发展的人工智能理论与技术方向之一。文章将从生物群体、智能体群体和人类社会群体等不同视角,从群智演化协作的模型和机理、群智演化协作的组织结构、群智演化协同决策及群智演化协同计算的应用等角度,总结群智演化计算的主要研究问题,对国内外的最新研究进展进行综述和对比分析,并对该方向未来的发展趋势和主要科学问题进行展望。     

人工智能在军事领域的渗透与应用思考

 分析了人工智能技术的发展历史和现状,重点探讨了中国军队未来信息化战争背景下人工智能技术的内涵、发展趋势及如何加快智能化应用等人工智能技术发展的核心问题,为人工智能技术在中国军事领域内的未来发展和应用提出建设性的思考。     

宇宙智能、人类智能、人工智能

在半个世纪内先后出现的“认知模拟”、“人机合一”都不是真正的“人工智能”正确的指导方针。宇宙具有按一定的逻辑结构、逻辑规律由已有事件向新事件必然过渡的逻辑运演机制,这便是“宇宙智能”,人认识后便是从已知进入新知。这客观的必然过渡就是客观的“制约关系”。人类、机器按各自能实现的方式去摹写、模拟宇宙智能,便分别是“人类智能”、“人工智能”。人工智能的基础装置是基于制约逻辑的内涵智能机,其硬件的核心元件是模拟客观的制约关系的“制约门”。希望由中国人首先研制出第一代内涵智能机。     

人工智能与水电站的经济运行

通过对水电站经济运行问题的优化,用面向对象的软件构造,完成约束满足问题CSP(constraintsatisfactionproblem)的推理求解,实现了知识表示、约束传递、智能回溯,并在微机上模拟运行.用面向对象、人工智能的方式解决了水电站机组间负荷动态调度的问题,编制了全数字仿真自动发电控制系统平台.     

多元智力理论对特殊儿童教育的启示

美国心理学家加德纳提出的多元智力理论是一种全新的关于人类智力结构的理论,对传统的智力理论提出了新的挑战。多元智力理论尊重差异的学生观,个性化的课程观,以个体为中心的学校观,多样化的教学观,多元化情境化的评价观,深刻体现了个性化教育的理念,对我国当今正在进行的特殊教育改革,发展特殊教育对象的优势智能,有重要的启示作用。     

基于群体智能的蚁群算法研究

群体智能是指任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置,群体智能现正在成为人工智能领域和相关领域的一个研究热点;该文首先介绍了群体智能中的两个重要算法:蚁群算法和粒子群算法的基本思想,然后重点探讨了蚁群优化算法,对基本蚁群算法和改进的蚁群算法进行了深入的分析和评述。     

基于智能因素的比特串生态演化模型

用两个并行的基因串可以描述个体的健康状况和智能水平，基因串的表示形式类似于Penna模型中的Bit-String，对Verhulst因子（通常用来控制由于疾病、达到最大年龄或由于环境压力导致的死亡率）进行了修正，考虑了智能水平对其适应环境能力的影响，利用一个参数S来表示其影响程度。因参数S可能会受外界环境影响而发生变化，所以模拟S变化对种群规模、种群平均年龄以及种群平均智力水平等的影响。得到的结果显示出种群规模与S的关系是Power law，而种群平均年龄以及种群平均智力水平与S的关系是线性的。