机器学习研究现状与发展趋势
摘要:
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。
机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。采用机器学习方法的计算机程序被成功用于机器人下棋程序、语音识别、信用卡欺诈监测、自主车辆驾驶、智能机器人等应用领域，除此之外机器学习的理论方法还被用于大数据集的数据挖掘这一领域。实际上，在任何有经验可以积累的地方，机器学习方法均可发挥作用。
机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。
本文主要叙述了
1.机器学习的研究现状,包括定义,应用领域,研究意义,发展史,系统结构,和对其进行各种角度的分类.
2.机器学习的发展趋势。
引言:
按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。
机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
什么叫做机器学习？至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。
机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。
机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。
机器学习已经有了十分广泛的应用例如搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。
与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。
机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
正文
1.机器学习的定义,研究意义,应用领域
学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。比如，Langley（1996) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。
尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等
机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。
最主要的应用领域有：专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。
2.机器学习的发展史
机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。
第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…>
第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。
第三阶段是从70年代中叶至80年代中叶，称为复兴时期。
机器学习的最新阶段始于1986年。
机器学习进入新阶段的重要表现在下列诸方面：
(1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学
和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。
(2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。
(3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。
(4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。
(5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。
3.机器学习分类
1、基于学习策略的分类
学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，并从中获取有用的信息。在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下五种基本类型：
１）机械学习(Rote learning)
学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存贮的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。
２）示教学习(Learning from instruction或Learning by being told)。
学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。目前，不少专家系统在建立知识库时使用这种方法去实现知识获取。示教学习的一个典型应用例是FOO程序。
3）演绎学习(Learning by deduction)。
学生所用的推理形式为演译推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是"保真"变换和特化(specialization)的过程，使学生在推理过程中可以获取有用的知识。这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推理的逆过程是归纳推理。
4）类比学习(Learning by analogy)。
利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以
使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。
５）基于解释的学习(Explanation-based learning, EBL)。
学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。著名的EBL系统有迪乔恩（G.DeJong）的GENESIS, 米切尔（T.Mitchell）的LEXII和LEAP, 以及明顿（S.Minton）等的PRODIGY。
６）归纳学习(Learning from induction)。
归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为"源概念"加以取用。归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。
2.按应用领域分类
目前最主要的应用领域有: 专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。
从机器学习的执行部分所反映的任务类型上看，目前大部分的应用研究领域基本上集中于以下两个范畴：分类和问题求解。
（1）分类任务要求系统依据已知的分类知识对输入的未知模式（该模式的描述）作分析，以确定输入模式的类属。相应的学习目标就是学习用于分类的准则（如分类规则）。
（2）问题求解任务要求对于给定的目标状态,??寻找一个将当前状态转换为目标状态的动作序列；机器学习在这一领域的研究工作大部分集中于通过学习来获取能提高问题求解效率的知识（如搜索控制知识，启发式知识等）。
4.机器学习技术的发展趋势
从目前研究趋势看，机器学习今后主要的研究方向如下：1)人类学习机制的研究：2)发展和完善现有学习方法，同时开展新的学习方法的研究：3)建立实用的学习系统，特别是开展多种学习方法协同工作的集成化系统的研究：4)机器学习有关理论及应用的研究．机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
结论
我发现,机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
从目前研究趋势看，机器学习今后主要的研究方向如下：1)人类学习机制的研究：2)发展和完善现有学习方法，同时开展新的学习方法的研究：3)建立实用的学习系统，特别是开展多种学习方法协同工作的集成化系统的研究：4)机器学习有关理论及应用的研究．
最主要的应用领域有：专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。
与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。
机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。
参考文献
1.王文《浅析机器学习的研究与应用》《计算机与信息技术》 2010年Z2期
2. Tom Mitchell 《Machine Learning》机械工业出版社 2003年1月
构造地质学研究现状和发展趋势 构造地质学是地质学分支学科之一，以岩石圈的各种地质体作为研究对象,探究其组合形式及形成、发育、变形、破坏规律。一般根据其研究对象和研究内容的差异,分为狭义构造地质学和广义构造地质学。狭义构造地质学侧重于对中、小型地质体的研究，主要研究这些构造的几何形态、产状、规模、形成演化等。广义构造地质学的研究范围更加广阔，从地壳演变至岩石圈结构,从重要造山带至板块边界，从显微构造到晶格错位，几乎涵盖了10_8?108cm的所有地质体。近代以来,构造地质学研究获得了空前发展。20世纪60年代以来，板块构造理论体系得以建立和完善;20世纪70年代以来，大陆构造研究得到了重视;20世纪80年代以来，重点研究岩石圈的演化和三维岩石圈的建立；20世纪90年代以来，大陆动力学研究兴起。这些研究使得构造地质学在研究深度和研究广度上取得了重要进展。 1.构造解析构造学本质上是对地质体变形和演化的认识，构造地质学强调野外实地观测，其主要研究方法是构造解析法。构造解析是对地质体空间关系和形成规律的分析解释，内容包括对地质体的几何学、运动学和动力学的分析气几何学解析是指对地质体的产状、规模、组合形式进行研究，进而概化为构造模式。运动学解析主要研究地质体在构造作用中发生的变形和位移。动力学解析是在几何学解析和运动学解析的基础上，反推构造应力的性质、大小、方向，分析和解释该研究区域的构造演化史。 2.研究现状步人20世纪后，构造地质学开始从形态描述逐渐进人对地质体的成因和力学分析研究中，由定性观察转入定量研究，由几何学研究转人运动学、动力学的领域。相关学科的新方法、新思路的引人,使得构造地质学获得了极大地进步，促进了构造地质学和其他学科的交流融合。尤其20世纪60年代后，以板块构造为主的各种新理论的提出，促使构造地质学的发展进入全新阶段。 2.1板块构造理论体系相关研究1968年前后，地质学家归纳了大陆漂移和海底扩张的研究成果，并在此基础上从全球统一的角度提出了板块构造理论,该理论将固体地球表层在垂向上划分为刚性岩石圈和塑性软
机器翻译技术的现状及发展 篇一：翻译技术领域的现状与展望 翻译技术领域的现状与展望 作者/王华伟闫栗丽 翻译技术在中国的发展起步相对较晚，但近年来随着中国在全球化进程中扮演着越来越重要的角色，催生了对翻译技术发展的强烈需求。中国翻译行业在借鉴国外同行经验的基础上，于2007~2008年间在翻译技术领域取得了一系列成就，也还存在一些亟需改进的方面，而这也势必对我国的翻译行业产生深远的影响。 1. 国家政策的扶持和行业协会的推动 翻译技术的发展直接关乎整个翻译行业的翻译质量及效率，具备巨大的行业经济效益。对此，科技部、财政部都给与了足够的重视并拨出专项资金进行扶持。在 2008年的科技型中小企业技术创新基金扶持计划中，中文及多语种处理软件及基于先进语言学理论的中文翻译软件等赫然在列。而中国译协也在 2008年的第 18届世界翻译大会上专门辟出了翻译工具、术语管理和翻译标准等分论坛，着力推动翻译技术的探讨与发展。 2. 词典型翻译软件百花齐放 词典是使用范围最广的工具，它以使用便利的优势，几乎占据了每个计算机的桌面，无论语言学习者还是专业翻译人员，几乎都是必备工具。词典的发展从最早的单机版本发展至今，已经有很多种产品
类型，我们可以见到的有：电子词典、在线词典、手机词典等。“金山词霸”的网络版本“爱词霸”在这两年获得了长足的发展，如爱词霸网络释义、谷歌金山词霸等一系列特色功能的相继推出，将词典型翻译软件的应用领域从传统的桌面计算机拓展到网络、手机等，并取得了显著的成功。另外，类似Google这样的搜索引擎，因为信息量大，检索便利而成为很多专业翻译人员查词的重要辅助工具。 值得一提的是，最新推出的基于用户发布词汇的词典编撰系统之前的词典都是以各大出版社公开发行的词典中的词条作为主要数据库来源，为用户提供查询上的便利。但是传统出版词典的方式存在发布周期长、词汇更新慢的缺陷。互联网的出现，加快了信息传播的速度，也提高了用户对新词更新的速度要求，为了方便新词汇的发布，词典编纂系统也就应运而生了。这是一种基于用户的词典发布系统，用户可自由发起词典编纂项目，自发组织人员参与项目，发起人可以按照需要给小组成员分配不同的权限，将词汇添加等基本工作和审核人员明确区分，既确保了词典的专业性，也实现了专业语料的适时更新和发布。 3. 机器翻译应用软件融入普通网民生活 谷歌语言工具的推出打破了互联网语言的藩篱，用户可以方便简捷地将目标语言的网页转化成自己的母语进行浏览。事实上，这也是机器翻译软件的一个应用领域，而国内的相关软件如金山快译等，专注于为普通网民提供更为友好的英中日网站浏览体验，并在亚洲语言的机器翻译应用方面积累了大量的经验。其他如华建等长期从事机器
机器学习研究现状与发展趋势 计算机科学与软件学院 引言: 机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。 一.机器学习的发展史 机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。 第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…> 第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。 第三阶段是从70年代中叶至80年代中叶，称为复兴时期。 机器学习的最新阶段始于1986年。 机器学习进入新阶段的重要表现在下列诸方面： (1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。 (2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。 (3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。 (4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。 (5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。 二.机器学习分类 1、基于学习策略的分类 学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形
国内外研究现状及发展趋势 世界银行2000年研究报告《中国：服务业发展和中国经济竞争力》的研究结果表明，在中国有4个服务性行业对于提高生产力和推动中国经济增长具有重要意义，它们是物流服务、商业服务、电子商务和电信。其中，物流服务占1997年服务业产出的42．4％，是比重最大的一类。进入21世纪，中国要实现对WTO缔约国全面开放服务业的承诺，物流服务作为在服务业中所占比例较大的服务门类，肯定会首先遭遇国际物流业的竞争。 物流的配送方式从手工下单、手工核查的方式慢慢转变成现今的物流平台电子信息化管理方式，从而节省了大量的人力，使得配送流程管理自动化、一体化。 当今出现一种智能运输系统，即是物流系统的一种，也是我国未来大力研究的方向。它是指采用信息处理、通信、控制、电子等先进技术，使人、车、路更加协调地结合在一起，减少交通事故、阻塞和污染，从而提高交通运输效率及生产率的综合系统。我国是从70年代开始注意电子信息技术在公路交通领域的研究及应用工作的，相应建立了电子信息技术、科技情报信息、交通工程、自动控制等方面的研究机构。迄今为止以取得了以道路桥梁自动化检测、道路桥梁数据库、高速公路通信监控系统、高速公路收费系统、交通与气象数据采
集自动化系统等为代表的一批成果。尽管如此，由于研究的分散以及研究水平所限，形成多数研究项目是针对交通运输的某一局部问题而进得的，缺乏一个综全性的、具有战略意义的研究项目恰恰是覆盖这些领域的一项综合性技术，也就是说可以通过智能运输系统将原来这些互不相干的项目有机的联系在一起，使公路交通系统的规划、建设、管理、运营等各方面工作在更高的层次上协调发展，使公路交通发挥出更大的效益。 1.国内物流产业发展迅速。国内物流产业正处在前所未有的高速增长阶段。2008年，全国社会物流总额达89.9万亿元，比2000年增长4.2倍，年均增长23%；物流业实现增加值2万亿元，比2000年增长1.9倍，年均增长14%。2008年，物流业增加值占全部服务业增加值的比重为16. 5%，占GDP的比重为6. 6%。预计“十一五”期间，我国物流产业年均增速保持在15%以上，远远高于美国的10%和加拿大、西欧的9%。 2.物流专业化水平与服务效率不断提高。社会物流总费用与GDP 的比例体现了一个国家物流产业专业化水平和服务效率。我国社会物流总费用与GDP的比例在近年来呈现不断下降趋势，“十五”期间，社会物流总费用占GDP的比例，由2000年的19.4%下降到2006年的18. 3%；2007年这一比例则下降到18. 0%，标志着我国物流产业的专业化水平和服务效率不断提高。但同发达国家相比较，我国物流
机器学习的发展现状及其相关研究 摘要: 阐述了机器学习的概念及其研究现状, 讨论了其中的关键技术、难点及应用与发展前景, 并对机器学习研究中的有关问题提出一些看法. 关键词: 人工智能; 机器学习; 泛化 1 机器学习的发展现状 机器学习(machine learning)是继专家系统之后人工智能应用的又一重要研究领域, 也是人工智能和神经计算的核心研究课题之一. 机器学习是人工智能领域中较为年轻的分支, 其发展过程可分为4 个时期: 1)20 世纪50 年代中期到60 年代中期, 属于热烈时期; 2)60 年代中期至70 年代中期,被称为机器学习的冷静时期; 3)70 年代中期至80 年代中期, 称为复兴时4)1986 年开始是机器学习的最新阶段. 这个时期的机器学习具有如下特点: 机器学习已成为新的边缘学科并在高校成为一门独立课程; 融合了各种学习方法且形式多样的集成学习系统研究正在兴起; 机器学习与人工智能各种基础问题的统一性观点正在形成; 各种学习方法的应用范围不断扩大, 一部分应用研究成果已转化为商品; 与机器学习有关的学术活动空前活跃. 2 机器学习的概念、类型及特点 2.1 机器学习的基本概念
机器学习的研究主旨是使用计算机模拟人类的学习活动, 它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法.机器学习的研究目标有3 个: 1)人类学习过程的认知模型; 2)通用学习算法; 3)构造面向任务的专用学习系统的方法.在图1 所示的学习系统基本模型中, 包含了4 个基本组成环节. 环境和知识库是以某种知识表示形式表达的信息的集合, 分别代表外界信息来源和系统所具有的知识; 环境向系统的学习环节提供某些信息, 而学习环节则利用这些信息对系统的知识库进行改进, 以提高系统执行环节完成任务的效能. “执行环节”根据知识库中的知识完成某种任务, 同时将获得的信息反馈给学习环节. 2.2 基于符号的机器学习 基于符号的机器学习, 是基于代表问题域中实体和关系的符号集合. 符号学习算法就是利用这些符号推出新颖、有效的一般规则, 规则同时也用这些符号进行表述. 1)变型空间搜索. 候选解排除算法依赖于变量空间这个概念, 是与训练实例一致的所有概念描述的集合. 这些算法有更多实
机器翻译研究现状与展望1 戴新宇，尹存燕，陈家骏，郑国梁 （南京大学计算机软件新技术国家重点实验室，南京 210093） （南京大学计算机科学与技术系，南京 210093） 摘要：本文回顾机器翻译研究的历史，介绍典型的机器翻译方法，包括：基于规则、基于统计以及基于实例的机器翻译方法；针对机器翻译的研究现状，详细介绍和分析了基于混合策略的机器翻译方法，对统计以及机器学习方法在机器翻译中的应用进行了描述；论文还介绍了当前机器翻译评测技术；最后对机器翻译进行总结和展望。 关键字：机器翻译，基于规则，基于统计，基于实例，混合策略，机器学习 Machine Translation:Past,Present,future Dai Xinyu, Yin Cunyan, Chen Jiajun and Zheng Guoliang (State Key Laboratory for Novel Software Technology, Department of Computer Science & Technology Nanjing University, Nanjing 210093) Abstract：This paper firstly presents the history of machine translation, and introduces some classical paradigms of machine translation: RBMT, SBMT and EBMT. Secondly, we introduce the recent research on machine translation, and describe the hybrid strategies on machine translation in detail, and discuss the applications of machine learning for machine translation. We also analyze the current techniques about evaluation on machine translation. Finally, we draw a conclusion and prospect on the research of machine translation. Keywords：Machine Translation, RBMT, SBMT,EBMT, HSBMT, Machine Learning. 1本论文工作得到863课题资助（编号：2001AA114102, 2002AA117010-04） 戴新宇博士生，主要研究自然语言处理；尹存燕助教，主要研究自然语言处理；陈家骏教授，博士生导师，主要研究自然语言处理、软件工程；郑国梁教授，博士生导师，主要研究软件工程。
机器学习研究现状与发展趋势 摘要: 机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。采用机器学习方法的计算机程序被成功用于机器人下棋程序、语音识别、信用卡欺诈监测、自主车辆驾驶、智能机器人等应用领域，除此之外机器学习的理论方法还被用于大数据集的数据挖掘这一领域。实际上，在任何有经验可以积累的地方，机器学习方法均可发挥作用。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 本文主要叙述了 1.机器学习的研究现状,包括定义,应用领域,研究意义,发展史,系统结构,和对其进行各种角度的分类. 2.机器学习的发展趋势。 引言: 1
按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。 机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 什么叫做机器学习？至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。为了便于进行讨论和估计的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 机器学习已经有了十分广泛的应用例如搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。 机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计 1
机器人发展历史、现状、应用、及发展 趋势 院系：信息工程学院 专业：电子信息工程 姓名：王炳乾
机器人发展历史、现状、应用、及发展趋势 摘要：随着计算机技术不断向智能化方向发展,机器人应用领域的不断扩展和深化,机器人已成为一种高新技术产业,为工业自动化发挥了巨大作用,将对未来生产和社会发展起越来越重要的作用。文章介绍了机器人的国内国外的发展历史、状况、应用、并对机器人的发展趋势作了预测。 关键词：机器人;发展；现状；应用；发展趋势。 1．机器人的发展史 1662年，日本的竹田近江利用钟表技术发明了自动机器玩偶并公开表演。 1738年，法国技师杰克·戴·瓦克逊发明了机器鸭，它会嘎嘎叫、进食和游泳。 1773年，瑞士钟表匠杰克·道罗斯发明了能书写、演奏的玩偶，其体内全是齿轮和发条。它们手执画笔、颜料、墨水瓶，在欧洲很受青睐。 保存至今的、最早的机器人是瑞士的努萨蒂尔历史博物馆里少女形象的玩偶，有200年历史。她可以用风琴演奏。 1893年，在机械实物制造方面，发明家摩尔制造了“蒸汽人”，它靠蒸汽驱动行走。 20世纪以后，机器人的研究与开发情况更好，实用机器人问世。 1927年，美国西屋公司工程师温兹利制造了第一个机器人“电报箱”。它是电动机器人，装有无线电发报机。 1959年第一台可以编程、画坐标的工业机器人在美国诞生。 现代机器人 有关现代机器人的研究始于20世纪中期，计算机以及自动化技术的发展、原子能的开发利用是前提条件。1946年，第一台数字电子计算机问世。随后，计算机大批量生产的需要推动了自动化技术的发展。1952年，数控机床诞生，随后相关研究不断深入；同时，各国原子能实验室需要代替人类处理放射性物质的机械。
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2017, 6(1), 16-21 Published Online February 2017 in Hans. https://www.doczj.com/doc/529053194.html,/journal/airr https://https://www.doczj.com/doc/529053194.html,/10.12677/airr.2017.61003 文章引用: 洪歧, 杨刚, 惠立山. 大数据分析中机器学习研究[J]. 人工智能与机器人研究, 2017, 6(1): 16-21. The Study of Machine Learning in Big Data Analysis Qi Hong, Gang Yang, Lishan Hui School of Mathematics and Computer Science, Shaanxi Sci-Tech University, Hanzhong Shaanxi Received: Dec. 29th , 2016; accepted: Jan. 13th , 2017; published: Jan. 18th , 2017 Abstract Machine learning played a more and more important role in the analysis of large data. The main methods and techniques of machine learning under the background of large data were summa- rized. Firstly, the basic model and classification of machine learning were introduced. Then, sev-eral key technologies of machine learning in large data environment were described. And the ar-ticle showed the popular four kinds of big data machine learning systems, and analyzed their cha-racteristics. In the end, it pointed out the main research direction and the challenges of the big data machine learning. Keywords Big Data, Machine Learning, Semi-Supervised Learning, Machine Learning System in Big Data, Probabilistic Graph Model, R Language 大数据分析中机器学习研究 洪 歧，杨 刚，惠立山 陕西理工大学，数学与计算机科学学院，陕西 汉中 收稿日期：2016年12月29日；录用日期：2017年1月13日；发布日期：2017年1月18日 摘 要 机器学习在大数据分析中起着越来越重要的作用，本文主要对大数据背景下机器学习方法和技术等进行了归纳和总结。首先对机器学习的基本模型、分类进行简介；然后对大数据环境下的机器学习的几个关键技术进行了叙述；接着展示了目前流行的四种大数据机器学习系统，并分析了其特点；最后指明了大
第1章绪论 1.1我国公路现状 交通运输业是国民经济中从事运送货物和旅客的社会生产部门，是国民经济和社会发展的动脉，是经济社会发展的基础行业、先行产业。交通运输主要包括铁路、公路、水运、航空、管道五种运输方式，其中，铁路、水运、航空、管道起着“线”的作用，公路则起着“面”的作用，各种运输方式之间通过公路路网联结起来，形成四通八达、遍布城乡的运输网络。改革开放以来，灵活、快捷的公路运输发展迅速，目前，在综合运输体系中，公路运输客运量、货运量所占比重分别达90％以上和近80％。高速公路是经济发展的必然产物，在交通运输业中有着举足轻重的地位。在设计和建设上，高速公路采取限制出入、分向分车道行驶、汽车专用、全封闭、全立交等较高的技术标准和完善的交通基础设施，为汽车快速、安全、经济、舒适运行创造了条件。与普通公路相比，高速公路具有行车速度快、通行能力大、运输成本低、行车安全、舒适等突出优势，其行车速度比普通公路高出50％以上，通行能力提高了2~6倍,并可降低30％以上的燃油消耗、减少1/3的汽车尾气排放、降低1/3的交通事故率。 新中国成立以来，经过60多年的建设，公路建设有了长足发展。2011年初正值“十一五”规划结束，“十二五”规划伊始。“十一五”时期是我国公路交通发展速度最快、发展质量最好、服务水平提升最为显著的时期。经过4年多的发展，公路交通运输紧张状况已实现总体缓解，基础设施规模迅速扩大，运输服务水平稳步提升，安全保障能力明显增强，为应对国际金融危机、保持经济平稳较快发展、加快经济发展方式转变、促进城乡区域协调发展、保障社会和谐稳定、进一步提高我国的综合国力和国际竞争力作出了重要贡献。 “十一五”前4年，全国累计完成公路建设投资2.93万亿元，年均增长近16％，约为“十一五”预计总投资的1.2倍，也超过了“九五”和“十五”的投资总和。公路建设投资的快速增长，极大地拉动和促进了国民经济的迅猛发展。从公路建设投资占同期全社会固定资产总投资的比重来看，“十一五”期间基本保持在4.5％左右。 在投资带动下，公路网规模不断扩大，截至2009年底，全国公路网总里程达到386万公里，其中高速公路6.51万公里，二级及以上公路42.52万公里，分别较"十五"末增加36.4万公里、2.5万公里和9.4万公里；全国公路网密度由“十五”末的每百平方公里34.8公里提升至40.2公里。预计到2010年底，全国公路网总里程将达到395万公里，高速公路超过7万公里，分别较“十五”末增加45.3万公里与3万公里。农村公路投资规模年均增长30%，总里程将达到345万公里，实现全国96%的乡镇通沥青（水泥）路。 “十一五”期间公路的快速发展，为扩大内需、拉动经济增长作出了突出贡献。特别是2008年以来，为应对国际金融危机，以高速公路为重点，建设步伐进一步加快，“十一五”末高速公路里程将达到"十五"末的1.78倍。“十一五”期间全社会高速公路建设累计投资达2万亿元，直接拉动GDP增长约3万亿元，拉动相关行业产出
北京市绿化隔离带可持续经营技术及效益评价 二、项目所属领域国内外研究开发现状和发展趋势 1、由城市绿地到城市林业的发展 城市绿地是城市中一种特殊的生态系统，它是城市系统中能够执行“吐故纳新”负反馈调节机制的子系统。这个系统一方面能为城市居民提供良好的生活环境，为城市生物提供适宜的生境；另一方面能增强城市景观的自然性、促进城市居民与自然的和谐共生。它是城市现代化和文明程度的重要标志。 绿地(green space)一词，各国的法律规范和学术研究对它的定义和范围有着不同的解释，西方城市规划概念中一般不提城市绿地，而是开敞空间(Open Space)，我国建国以来一直延用原苏联的绿地概念，包括城市区域内的各类公园、居住区绿地、单位绿地、道路绿化、墓地、农地、林地、生产防护绿地、风景名胜区、植物覆盖较好的城市待用地等。 尽管各国关于开敞空间(或绿地)的定义不尽相同，但它们都强调了开敞空间(或绿地)在城市中的自然属性，即都是为了保持、恢复或建立自然景观的地域。绿地作为城市的一种景观，是城市中保持自然景观，或使自然景观得到恢复的地域，是城市自然景观和人文景观的综合体现，是城市中最能体现生态性的生态空间，是构成城市景观的重要组成部分。在结构上为人工设计的植物景观、自然植物景观或半自然植物景观。绿地在城市中的功能和作用主要包括：组织城市空间的功能、生态功能（改善生态环境的功能、生物多样性保护功能）、游憩休闲功能、文化(历史)功能、教育功能、社会功能、城市防护和减灾功能。 城市绿地发展和研究进程包括：城市绿地思想启蒙阶段、城市绿地规划思想形成阶段、城市绿地理论和方法的发展阶段、城市绿地生态规划和建设阶段。 吴人韦[1]、汪永华[2]、胡衡生[3]等从城市公共绿地的起源开始介绍了国外城市绿地的发展历程，认为国外的城市绿地建设经历了从公园运动（1843～1887）、公园体系（1880～1890）、重塑城市（1898～1946）、战后大发展（1945～1970）、生物圈意识（1970年以后）等一系列由简单到复杂的城市绿地发展过程，其中“重塑城市”阶段提出了“田园城市”和城市绿带概念，绿带网络提供城区间的隔离、交通通道，并为城市提供新鲜空气。“有机疏散”理论中的城市与自然的有机结合原则，对以后的城市绿化建设具有深远的影响。1938年，英国议会通过了绿带法案（Green Belt Act）。1944年的大伦敦规划，环绕伦敦形成一道宽达5英里的绿带。1955年，又将该绿带宽度增加到6～10英里。英国“绿带政策”的主要目的是控制大城市无限蔓延、鼓励新城发展、阻止城市连体、改善大城市环境质量。早在1935年，莫斯科进行了第一个市政建设总体规划，规划在城市用地外围建立10公里宽的“森林公园带”；1960年调整城市边界时，“森林公园带”进一步扩大为10～15公里宽，北部最宽处达28公里；1971年，莫斯科采用环状、楔状相结合的绿地布局模式，将城市分隔为多中心结构。目前，德国城市森林建设已取得了让世人瞩目的成绩，其树种主要为乡土树种，基本上是高大的落叶乔木（栎类、栗类、悬铃木、杨树、核桃、欧洲山毛榉等）[4]。在绿化城
第10章机器学习研究与应用新进展 徐从富李石坚王金龙 （浙江大学人工智能研究所，杭州 310027） 2005年10月7日第一稿 2006年10月16日第二稿 10.1 机器学习研究与应用综述 10.1.1 机器学习的发展概况 机器学习（Machine Learning）不仅是人工智能的一个核心研究领域，而且已成为整个计算机领域中最活跃、应用潜力最明显的领域之一，它扮演着日益重要的角色。近年来，欧美各国都投入了大量人财物进行机器学习的研究和应用，Intel、IBM、波音、微软、通用电器等大型公司也积极开展该领域的研究和开发，而且已有不少研究成果进入产品。美国航空航天局JPL实验室的科学家们在2001年9月出版的《Science》上撰文指出：“机器学习对科学研究的整个过程正起到越来越大的支持作用，……，该领域在今后的若干年内将取得稳定而快速的发展。”此外，机器学习研究的热门程度还可以从该领域的国际权威期刊《机器学习研究学报》（Journal of Machine Learning Research，简称JMLR）的影响因子（Impact factor）看出，据美国科学引文检索公司（ISI）统计，2004年该学报的影响因子已达到5.952，这是除了《ACM计算综述》（ACM Computing Survey）以外影响因子最高的计算机类期刊。需要特别说明的是，《ACM计算综述》每年只发表12篇世界级权威计算机专家关于某个研究方向最新研究进展的综述文章，一般并不发表研究论文，2004年其影响因子为10.037。 1997年Tom M. Mitchell在“Machine Learning”一书中给出了机器学习的经典定义——“计算机利用经验改善系统自身性能的行为。”还有人认为，机器学习是“神经科学（含认知科学）＋数学＋计算”的有机结合，数学则填补了神经科学与计算之间的鸿沟。与很多新兴学科一样，机器学习也是一个多学科交叉的产物，它吸取了人工智能、概率统计、神经生物学、认知科学、信息论、控制论、计算复杂性理论、哲学等学科的成果。实践证明，机器学习在很多应用领域发挥了重要的实用价值，特别是在数据挖掘、语音识别、图像识别、机器人、车辆自动驾驶、生物信息学、信息安全、遥感信息处理、计算金融学、工业过程控制等
徐淑英《光明日报》（ 20１1年07月29日１1 版) 过去2０多年来，中国管理学研究关注西方情境的研究课题,验证西方发展出来的理论，并借用西方的研究方法论。而旨在解决中国企业面临的问题和针对中国管理现象提出有意义的理论解释，这方面的研究却迟滞不前。围绕到底是追求“中国管理理论”（即在中国管理情境中检验西方理论)还是“管理的中国理论”(即针对中国现象和问题提出自己的理论)的争论，很多学者作出了积极探索。中国的管理学研究者应遵循科学探究的自主性原则,保持对常规科学局限性的警觉,从事既能贡献普遍管理知识,又能解决中国管理问题的研究。 国际管理学研究中的一个现象 全球化商业活动的增加,不仅使得全球化的跨国公司对管理知识的需求大大增加，而且那些处于新兴经济体（比如俄罗斯、印度和中国）中的公司，由于在国际市场上扮演越来越重要的角色，也非常渴望得到管理实践所需的知识。除了新兴经济体外,许多发达地区的管理研究也十分活跃。有学者观察到了国际学者的一种明显偏好:从主流管理学文献(基本上是基于北美,特别是美国的文献)中套用已有的理论、构念和方法来研究本土的现象。这导致了JameｓMａrch（詹姆斯·马奇)所认为的组织研究的“趋同化”。这个趋势是值得注意的,因为它有可能放慢有效的全球管理知识的发展速度，也会阻碍科学的进步。这样的趋势在中国也是存在的。
科学研究总是有目的的：执著于寻找真相（realiｔy)和追求真理(trｕth)。科学的研究方法确保了科学家的发现是接近于真理的,这也是所有科学研究应该达到的严谨性（rｉgor)标准。然而对于管理学这门应用科学来说,真理本身是不够的。管理研究的第二个目标是获取有益于提高实践水平的知识,这就是管理学者应该达到的切题性（ｒe ｌevａnce）标准。但现在大部分的中国学者都是严谨有余,切题不足。 目前,套用西方发展起来的理论在中国进行演绎性研究主导了中国管理学研究领域。用这种方法进行的研究倾向于把成果发表在国际性杂志上，尤其是国际顶尖杂志。这类研究成果验证了已有理论或者对其情境性边界进行了延伸研究，说明了如何使用现有研究成果来解释一些新情境下出现的独特现象和问题。但这样的研究倾向对现有的理论发展只能提供有限的贡献，因为它的目的并非寻找对地方性问题的新的解释。这种方法也限制了对中国特有的重要现象以及对中国有重要影响的事件的理解。 笔者并不认为学者的目标就是发展新的理论，而是提请注意这一事实:绝大部分中国的研究都不约而同地采用西方已有理论来解释中国现象。这一趋势形成的原因可以从两个方面进行解释。 首先是因为缺乏先进的科学研究方法的训练和对科学目的的正确理解。一些研究者错误地认为，科学的目的是发表文章，而非寻找对重要现象的恰当理解和解释。中国学者可以很快学会如何正确使用研
机器翻译技术的研究和应用综述 ACM Matrix_68 摘要：随着互联网的日益发展，网络信息的激增，国际社会交流愈加频繁，机器翻译已成为克服交流时所产生的语言障碍的重要手段之一。本文回顾机器翻译研究的历史，介绍典型的机器翻译方法，在分析机器翻译内涵的基础上，阐述了机器翻译的现状，探讨了机器翻译所面临的问题及机器翻译的发展趋势，对统计以及机器学习方法在机器翻译中的应用进行了描述；论文还介绍了当前机器翻译评测技术；最后对机器翻译进行总结和展望。 关键字：机器翻译；自然语言；基于规则；基于统计；基于实例；混合策略；机器学习 1引言 近年来，自然语言处理的研究已经成为热点，而机器翻译作为自然语言研究领域的一个重要分支，同时也是人工智能领域的一个课题，同样为大家所关注。当电子计算机1946年问世的时候，人们就提出了机器翻译的想法，并且在1954年进行了第一次机器翻译试验。然而与后来的各种语言信息处理研究和应用（语言信息检索、文本自动分类、自动文摘、信息提取等等）相比，机器翻译却是进展最慢的。 从上个世纪40年代英国工程师Booth 和美国工程师Weaver提出利用计算机进行翻译的想法，到50年代欧美国家投入大量的人力、物力致力于机器翻译的研究，再到60年代ALPAC置疑报告的提出，机器翻译走向沉寂。 学者们倾其大半生精力、商家投入为数可观的资金，经历五十多年不懈的研究和开发，得到的成果或者产品却常常不能令人满意。最近的二十年，随着语言学理论的发展、计算机技术的进步以及统计学和机器学习 方法在自然语言处理领域中的广泛应用，人们对机器翻译本身的应用背景、目标等也有了更加准确的认识，机器翻译在此背景下取得了长足的发展，基于统计、基于实例等新的机器翻译方法也都是在这一时期出现，一些机器翻译系统也从实验室走向了市场。 本文第二节介绍了机器翻译的历史现状；第三节介绍了机器翻译面临的问题；第四节介绍几种经典的机器翻译方法；第五节给出近期机器翻译的发展趋势，介绍基于混合策略的机器翻译方法，对统计机器学习在机器翻译中的应用进行总结；第六节讨论当前机器翻译的评测系统；最后，对机器翻译研究进行总结和展望。 2机器翻译的历史现状 机器翻译的研究历史可以追溯到20世纪三四十年代。20世纪30年代初，法国科学家G.B.阿尔楚尼提出了用机器来进行翻译的想法。1933年，苏联发明家П.П.特罗扬斯基设计了把一种语言翻译成另一种语 言的机器，并在同年9月5日登记了他的发明；但是，由于30年代技术水平还很低，他的翻译机没有制成。1946年，第一台现代电子计算机ENIAC诞生，随后不久，信息论的先驱、美国科学家W.Weaver和英国工程师A.D.Booth在讨论电子计算机的应用范围时，于1947年提出了利用计算机进行语言自动翻译的想法。1949年，W.Weaver发表《翻译备忘录》，正式提出机器翻译的思想。走过六十年的风风雨雨，机器翻译经历了一条曲折而漫长的发展道路，学术界一般将其划分为如下四个阶段： 2.1机器翻译的开创期（1947-1964） 1954年，美国乔治敦大学（GeorgetownUniversity）在IBM公司协同下，用IBM-701计算机首次完成了英俄机器
本课题国内外研究现状及发展趋势 医用信息系统同其他行业的信息系统相比具有其明显的特殊性，医用信息系统有大量的CT、MRI等的图象，B超、内窥镜等的视频数据，还有大量的CT、MRI、B超、PET、电子内窥镜等的医用检查设备。医用信息系统中大量的如HIS,RIS,PACS,MODALITY,CPR等部门级的系统之间有大量需要交流和共用的信息,如何将这些数据有效的交流，如何减少重复手工劳动,减少数据冗余.以提供给医生、护士从而提高诊断和治疗水平，或者提供给医院管理者以提高医院的管理水平.换而言之，就是将医院各部门之间的数据互相平滑高效的交流以及医用信息的整合集成成为世界各国致力于医用信息系统的专家学者和相关研究机构的研究话题。 Radiological Society of North America(RSNA)和Healthcare Information and Management Systems Society(HIMSS)提出了IHE框架试图解决这些信息的交流和集成问题。
IHE规范遵循DICOM标准和HL7标准.DICOM标准的全称是“医学数字成像与通信”（digital imaging and communication in medicine）标准，不仅支持医学放射图象，而且面向所有的医学图象，只要简单的增加相应的服务对象类（SOP）即可，可扩展到心电图，内窥镜图象，牙医图象，病理学图象等。HL7主要为面向健康的计算机系统提供临床、金融、管理信息的电子交换标准.IHE规范还提供了HL7到DICOM的互操作. 国内随着医疗行业改革,医疗服务行业开始面向市场,通过信息化的战略来提高医患的满意度以提到很多医院的议事日程.因此构建一个集成化的标准化的系统来及时的获取各种临床信息变的非常迫 切.目前国内有许多厂商拥有遵循DICOM标准的PACS系统,然而将
国外教学设计研究现状与发展趋势 教学设计过程所产生的问题的讨论、教学设计研究的发展趋势等方面对国外教学设计研究的现状与发展趋势进行了系统阐述。 随着科学技术的发展，心理学、教育学理论研究的深入，教学设计近年来成为国内外教育界关注的课题之一。考察国外教学设计的研究成果，对我们深化课堂教学改革，全面推行素质教育，提高教学效率将有莫大的启发。 一、国外教学设计研究的现状 如何提高课堂教学质量和教学效率一直是教学研究的核心问题。为了解决这个问题，许多教育工作者或从改变教学媒体、方法，或从精选教学内容，或从改进评价方式和课堂管理等进行深入的研究，但同时他们又感到单一方面的改革其效果不能令人满意。因此，他们开始重新思考教学设计的问题，并借鉴认知理论、技术学等新成果；从更为系统的角度探索问题，以找到在整体上提高教学效益的突破口。 1．学设计的概念 什么是教学设计？为了更清楚的理解这个概念，让我们先了解什么是教学和设计。美国的教育学家史密斯（P.L. Smith ）和拉根（T. J.Ragan）认为，教学就是信息的传递及促进学生达到预定、专门学习目标的活动。它是教育的一个分支，包含了学习、训练和讲授等活动。所谓设计，是指在进行某件事之前所作的有系统的计划过程或为了解决某个问题而实施的计划，它可以从精确性、细致性、系统性等方面去判断其效果的好坏。设计者必须以高度的精确和谨慎态度，具有系统计划一个方案的才能进行设计，否则，会导致时间的误用、资源的浪费甚至无效、沉闷和缺乏动机的学习。因此，设计应考虑许多可能影响实施计划或受计划实施所影响的因素。如，设计者要考虑可能影响教学成功的因素，通过上课，把预先设计好的视觉、听觉及其他传递形式的信息传递出去。所以，教学设计的特点除上面谈到的精确、细致和系统之外，还应有形象性、创造性、工艺性、扩展性和自然性等特点。由此可见，教学设计就是把教学原理转换成教学材料和教学活动计划的系统过程，是指为了达到预期教学目标而运用系统观点和方法，遵循教学过程基本规律，对教学活动进行系统计划的过程，是教什么（课程和内容等）与怎么教（组织、方法、策略、手段及其他传媒工具的使用等）的过程。具体来说，一方面它象工程那样需要以过去成功的原理为基础来计划他们的工作，不仅在功能方面，而且以生动的、吸引人的方式来设计事情或活动，建立用以指导他们决策、解决问题的程序。另一方面，这个系统过程是以一种书面的形式把将要完成的事情或活动的结果写下来，而不是变成实际的产品或结果。因此，当教学媒体不仅仅是教师时，系统的计划就显得尤其重要。好的教师有能力根据学生的需要马上调节教学。但当教学媒体不能迅速加以调节时（如印刷体的材料、录像材料、以电脑为基础的教学），以教学原理为基础的设计就显得相当重要。所以，教学设计过程主要依据三个方面进行设计：第一，教学的目标是什么？第二，教学策略和教学媒体有哪些？第三，我们如何检验所达到的结果？如何评价和修改教学材料？ 韦斯特（Charles K. West ）等人则从认知科学的角度来探讨教学设计。他们认为教学就是以系统的方式传授知识，是关于技术程序纲要或指南的实施。它也是指教师的行动、实践或职业活动。设计是计划或布局安排的意思，是指用某种媒介形成某件事情的结构方式。所以教学设计的研究应从以下几个方面出发：（1）在当今复杂的社会里，人们需要学会如何学习。这种需要大大地扩大了教学的目标，它应该包括学习者将能够了解并适当地运用认知策略；（2 ）教学设计应该使用认知策略作为教学的手段；（3 ）教师将充当教学传递活动中运用认知策略和奖励认知策略运用的模范；（4）把认知策略的知识、适当的应用以及对认知策略