智能计算研究进展与发展趋势
中国科学院院刊
1 引言
智能计算技术是一门涉及物理学、数学、生理学、心理学、神经科学、计算机科学和智能技术等的交叉学科。目前，智能计算技术在神经信息学、生物信息学、化学信息学等交叉学科领域得到了广泛应用。这项技术所取得的些许进步，都会进一步促进神经信息学、生物信息学、化学信息学等交叉学科的发展，反过来，后者的深入研究和进一步发展，也将大大促进智能计算技术的长足进步。所以，深入开展智能计算技术研究具有重要意义，应引起我们的高度关注。
智能计算技术是将问题对象通过特定的数学模型进行描述，使之变成可操作、可编程、可计算和可视化的一门学科。它运用其所具有的并行性、自适应性、自学习性来对信息、神经、生物和化学等学科中的海量数据进行规律挖掘和知识发现。由于其在整个计算过程中自始至终考虑计算的瞬时性和敏捷性，因而对于复杂的问题对象能够通过任务分解或变换方法，使得问题对象能够在有限的时间内获得令人满意的解。
过去，智能计算技术的进步总是离不开人工智能，特别是人工神经网络技术的发展，但是以符号推理为特征的人工智能技术由于过于依赖规则，以至被认为缺少数学支持而遭到质疑；而以自学习、自适应、高度并行性为特征的人工神经网络技术，虽有坚实的数学支撑但又无法精确处理实际问题中的各种小样本集事件，这些大大限制了智能计算技术的进一步发展。近年来，由于支撑向量机(Support Vector Machine：SVM)、核(Kernek)方法和征战模型(Divide－and－Conquer：DAC)等新方法的相继出现，使智能计算技术发展成不但能处理海量数据等大样本集的问题对象，同时也能自适应地处理小样本事件集的数据，从而使该项技术更切合实际需求，更受人们的广泛青睐。
2 国际发展现状及趋势
2.1 智能计算模型
信息技术的发展离不开经典数理统计学，而智能计算技术的每一进步更以数理统计学为灵魂。众所周知，数理统计学的本质是以Bayes理论为基础、对随机事件或过程进行规律统计或挖掘，其中事件或样本的概率密度函数是Bayes理论得以广泛应用的基石。由Bayes理论为基础，进一步出现了各种提取有用信息或信号的估计方法，如著名的Weiner滤波器、Kakman滤波器等等。一般来说，在以Bayes理论为框架的信息处理方法中，最基本的一个假设是，所要解决的问题对象的样本数必须具有一定的规模，以至在信号传输或处理过程中能够估计或近似估计有用信号的概率密度函数，而且理论证明，基于Bayes理论的有用信号的无偏估计误差能够达到克拉美·罗 Cramer－Rao 的下界。尽管如此，这是一个非常理想的情况，因为很多实际的问题对象很难得到大样本的数据集，如手写签名识别、信用卡防伪验证、人脸识别和语音
识别等等。
以人工神经网络为代表的非线性“黑箱”处理模型，尽管对无法用数学模型精确描述的问题的处理具有其独特的优势，但对小样本数据集问题却很难训练网络收敛，且网络求解或描述问题的精度非常低，即使对大样本数据集问题能够使网络训练收敛，但往往会出现过拟合情况，而且有时需要设计非常庞大的网络结构来适应。即便如此，网络收敛后的输出也只是近似Bayes后验概率估计。也就是说，在极限情况下，神经网络能够逼近Bayes理论的估计。
近年来，以V apnik的支撑向量机为代表的统计学习理论是专门研究小样本情况下的机器学习规律，它采用结构风险最小化准则，在最小化经验风险的同时最小化推广误差的上界，并采用凸二次规划技术使所求问题的解具有全局最优性。SVM不仅能保证在小样本条件下仍具有较好的推广性，而且基本消除了“维数灾难”、“过学习”和“欠学习”等传统机器学习方法难以解决的问题，在复杂系统的建模、优化、分类与预测等方面显示出强大的优势，使得SVM理论成为当前学术界研究的热点问题，受到普遍关注和重视。不过，SVM在应用中存在两个突出的问题，即SVM核函数的选择和SVM用于多类问题的学习算法设计。此外，实际应用中很难获得高质量、大规模的数据样本，数据样本中或包含不完整数据、或样本数很少、或蕴含模式多样性的情况。如何充分利用有限数据样本和不完整数据样本中包含的有限信息，构造高精度的SVM分类器是一个有待深入研究的问题。
近年来，围绕上述三大模型应用的主要发展趋势是：(1)先验信息的充分利用。即根据所求解问题的先验信息来选择确定具体的统计模型，或者是将问题的先验信息耦合到具体模型中以构造约束模型来求得问题的解。如在神经网络输出误差代价函数中将问题的先验信息通过拉格郎日乘子耦合进来，以构造一种新的约束学习算法来加快问题的求解；(2)任务分解和输出集成。即对于复杂问题，先将整个问题分解成若干个子问题，并由具有较大差异的模型来分别处理，然后通过集成方法把每个子任务对应的模型的输出进行综合，以获得问题的满意解。如在分类器集成研究中，我们拟寻找差异性较大的单个分类器，然后使用Boosting算法进行集成，以获得最佳的分类效果。
2.2 特征提取
在实际应用中，我们所得到的数据不但非常庞大，而且非常复杂，有时甚至存在各种冗余，因此在选择具体模型进行处理(如分类或预测)前，有必要首先对这些数据进行一定的分析，如进行一定的变换以提取数据中的主要特征，以利于后面的分析与处理。
Fisher线性判别分析(FLDA)是由Fisher于1936年提出的用于两类问题特征提取的一种有效方法，其基本思想是寻找一投影方向，使训练样本投影到该方向时尽可能具有最大类间距离和最小类内距离。后来，人们又将两类问题的FLDA方法推广到多类情况，其基本原理是通过寻找一投影矩阵使得训练样本经投影变换后尽可能具有最大类间散射和最小类内散射。不过，由于LDA是线性特征提取方法，因此一般只适用于线性可分的模式。但实际应用中，许多模式并非线性可分，因此，LDA方法并不理想。为了解决非线性模式的有效特征提取问题，一种可能的办法是对LDA方法进行相应的非线性扩展。近年来，随着统计学习理论，特别是支撑向量机 SVM 方法的问世，通
过再生核理论对一些线性算法进行非线性扩展已成为研究非线性特征提取方法的一种非常重要的手段。
继Schokkopf等人提出了核主成份分析(KPCA)以及Mika等人针对两类的FLDA问题提出了核Fisher判别分析 KFDA 之后，Baudat等人利用核技巧推广了多类的LDA方法，提出了广义判别分析 GDA 方法。目前，GDA方法已广泛用于指纹、虹膜、人脸等生物特征识别领域，并取得甚至比SVM更好的实验结果。此外，同神经网络、SVM 等其它智能计算方法相比，GDA方法具有计算简单、推广性能好等诸多优点。由于GDA 本质上是LDA在Hikbert再生核空间上的扩展，因此LDA方法存在的某些本质问题同样会出现在GDA中，而且还可能更加突出，其中主要的问题包括奇异性问题、秩限制问题和简并特征值扰动问题。通常解决这些问题的办法是分阶段的方法，亦即通过两种或多种组合技术来解决，如PCA＋LDA，PCA＋GDA等等。
此外，近年来在神经信息学、生物信息学、化学信息学等学科领域还出现了典型相关分析(CCA)、偏最小二乘 PLS 、Logistic回归等多元统计数据处理技术，而且它们也被推广用来实现判别分析。
随着支持向量机理论的提出，基于核的学习方法已逐渐受到人们的重视。核学习已经远远超越SVM范畴，形成了一个相对独立的研究方向，并走向更为广阔的舞台。目前已出现了Kernek based PCA KPCA Kernek based CCA KCCA 、Kernek based LDA KLDA 以及Kernek based Ckustering KC 等特征提取算法。模式分析核方法的中心思想是，在进行分类等数据处理时，对于线性不可分样本，首先通过一个非线性映射将原空间样本映射到高维特征空间(也称核空间)中，使核空间中的样本变得线性可分，或者近似线性可分，然后在核空间中用线性方法对其进行处理，从而实现相对于原空间进行非线性的处理，其效果相当好。
目前，核方法中的核函数主要包括径向基函数(RBF)核、多项式(Pokynomiak)核和Sigmoidak核等。不过，在实际应用中，到底选择什么样的核函数才能最好地变换或表达该问题，还是一个尚未解决的问题。
2.3 模型估计
在实际问题中还经常会遇到来自多个总体并按一定比例混合的数据，这种数据的建模和分析一直是模式识别、聚类分析和信号处理等领域中的一个重要内容，在神经信息学、生物信息学、化学信息学等交叉学科领域有着广泛的应用。对于有限混合体模型参数估计的研究可追溯到19世纪末Pearson的工作。但从Pearson开始到上世纪60年代，人们所使用的主要是矩方法和最大似然法等经典方法。这些方法仅仅对一些特殊混合体分布的参数估计有效。直到1977年，Dempster等建立的期望最大(EM)算法才为一般混合体分布的参数估计提供了一种统一的理论框架。近年来，人们沿着这个方向做了很多努力并建立了许多改进的算法。然而，这些方法的前提是混合体模型中分量个数的选择必须正确，否则将导致错误的参数估计结果。不过，在许多情况下数据的分量个数是未知或难于准确地知道，这时该模型的参数估计就变得异常困难。
在上世纪70年代，Akaike针对有限混合体模型中分量个数的选择问题提出了著名的
Akaike信息准则。随后，人们对这一准则进行了多种推广。这种方法是相当耗时的，因为需要对每一个可能的k值进行一次参数估计，并根据这些估计结果计算信息或价值函数以选择最优的k值。这种大量重复计算特别是对于高维大批量数据的情况就更困难。因此，在实际应用过程中人们一直在呼吁自动模型选择方法，也就是通过一次优化过程达到参数估计和模型选择的双重目的，这种方法在速度上将大大优于过去的信息或价值准则方法。该方法将对模式识别、聚类分析和信号处理等领域产生重要的影响，并给实际应用带来方便和快捷。
本质上，有限混合体模型的自动模型选择问题是从观察数据直接推测模型阶数和参数的技术，而目前正在蓬勃发展的独立分量分析 ICA 技术是一种从观察数据的角度探索发射(送)源独立信号个数并分离的技术，它们在图象特征提取、基因微阵数据分析等方面正得到广泛应用。特别是，如果信号传输的信道存在非线性环节，对应的ICA 就变成了盲源分离 BSS 技术。目前ICA或BSS发展的“瓶颈”是如何解决高度非线性混合模式的解混，以及如何求解混合矩阵是奇异矩阵、源信号的个数大于观察信号的个数(即overcompkete问题)等问题。
2.4 学习算法
学习算法是对问题解的寻优过程。现实中几乎所有的系统或模型在实际应用前都需要根据输入数据样本来对自身进行学习或训练，以便系统或模型能记住或熟悉所训练的输入模式，然后对未知的样本模式进行测试和评判等。因此，学习算法研究是智能计算技术研究中的一个非常重要的环节。
自1944年Hebb提出改变神经元连接强度的Hebb规则开始，即首次出现了“学习算法”的概念。1957年，Rosenbkatt首次引进了感知器 Perceptron 的概念，并正式引进了“学习算法”。1962年，Widrow提出了自适应线性元件 ADLINE ，并提出了自适应最小均方 LMS 学习算法。1974年，Werbos在其博士论文中第一次提出了能够实现多层网络训练的反向传播(BP)算法，可以说是“学习算法”史上的一次革命。不过，由于BP算法本质上就是LMS算法，因而其存在局部极小值、训练速度慢等缺陷。随后，出现了大量改进的BP算法，以及一些变型的学习算法等。上世纪80年代初又出现了遗传算法(GA)和模拟退火算法(SAA)等，从而部分解决了局部极小值问题，并大大加快了算法的收敛速度。特别是，GA还能用来解决非数值问题的全局寻优问题，因而推广了学习算法的应用范围。近年来，又出现了一些新的群体学习算法，如黄蜂优化算法 SOA 、免疫算法 IA 、粒子群优化算法 PSOA 以及小生境 niche 技术等等。这些算法都是基于群体的随机搜索技术，实际上也是一种进化计算技术。它起源于对鱼群、鸟群的捕食行为和社会认知模式的模拟。同遗传算法相比，这些算法相对简单和更容易实现，并且没有太多参数需要调整，这些算法近年来得到国内外学者的广泛重视和研究，并获得了一定范围的应用。现在国际上每年举办一届群智能研讨会，专门讨论群体学习与优化理论及应用方面的研究进展。
3 我国研究进展
我国特别是中科院非常重视智能计算技术的理论与应用研究，并采取措施推动这项技术在我国的发展。2003年由合肥智能机械研究所、自动化研究所联合清华大学在北
京举办了“生物信息学与进化计算”第81次青年科学家论坛，吸引了全国30多名生物信息学和智能计算领域的青年科学家参会并做专题报告。论坛还专门邀请了清华大学李衍达院士做了大会报告，他介绍了生物信息学与智能计算学科的发展趋势。2005年由合肥智能机械研究所、中国科技大学，联合香港浸会大学举办了第一届国际智能计算学术会议，会议吸引了39个国家和地区的2400多名学者踊跃投稿，专门邀请了美国、英国和香港等著名学者做关于国际上智能计算领域最新发展趋势的大会报告，另外还特别邀请了中科院半导体研究所王守觉院士就智能仿生模式识别问题做了专题演讲。此次大会的成功召开，标志着我国在智能计算相关领域的学术研究已处于国际先进水平。
3.1 模型估计
关于有限混合体模型的混合数自动确定的问题(或称为自动模型选择问题)，香港中文大学的徐雷于1993年提出一种被称作“对手惩罚竞争学习 RPCL ”算法。RPCL算法本质上是一种竞争学习算法，可用于数据的聚类分析。它不同于以往的竞争和其它聚类分析方法，能够在估计模型参数的过程中自动确定出数据中的类别个数。随后，徐雷教授还提出了“贝叶斯阴阳学习系统”理论，建立了另一个衡量有限混合体模型建模的和谐函数。通过优化这种和谐函数得到模型参数的估计，同样能够实现有限混合体数据的自动模型选择。但是目前这种方法及其改进形式只在高斯有限混合的情况下才有效，其基本理论问题还远远没有解决，有效的目标代价函数和学习算法还没有寻找到，如何获得一种有效的学习算法来实现参数估计和分量个数的自动确定是自动模型选择问题的一个重要研究方向。
3.2 特征提取
在数据或样本处理领域，近年来，南京理工大学杨静宇教授等在主成份分析(PCA)的基础上提出了一种时间更快、计算效率更高的二维PCA(简称2DPCA)。实验结果表明2DPCA特征提取效果至少要好于PCA，不过，2DPCA要求的内存比PCA大。该工作发表在IEEE Transaction on Pattern Anakysis and Machine Intekkigence(V ok 26，No1，2004)上。随后，在2DPCA的启发下，北京交通大学袁保宗教授等又提出了二维LDA(简称2DLDA)。该工作发表在PRL(No3，2005)上。2DPCA和2DLDA给人的启发是，一些看似很古老的问题仍然可以找到较新的解决途径，此外2D技术更加适合图像(或者矩阵)数据的处理，因为它本身是处理二维数据的，因此对于指纹、虹膜、人脸等图像特征提取是有较大意义的。事实上，一维推广到二维的本质是由向量到向量的投影变成矩阵到向量的投影。因此，我们也可能基于这一思想将CCA、PLS等推广到2DCCA、2DPLS，以及其它更为复杂的情况。
在模式识别领域，中科院半导体所王守觉院士领导的研究小组从另一角度进行了探索。王院士认为，人类是基于对同类事物的共同属性的认识区分不同事物的。近年来他们以“认识”事物而不是“区分”事物为目的研究了模式识别问题，提出了仿生模式识别理论。与传统的以“最佳划分”为目标的统计模式识别相比，该理论更接近于人类“认识”事物的特性，他们称之为“仿生模式识别”。该理论认为，同类样本在特征空间中的分布具有数学连续性(不能分裂成两个彼此不邻接的部分)，即所谓同源连续性原理。采用“仿生模式识别”理论及“高维空间复杂几何形状覆盖神经网络”的识别方法，能得到很高的
识别率。
2005年中科院合肥智能机械研究所黄德双领导的小组 在智能计算方面的研究成果，以封面文章的形式发表在Digitak Signak Processing A Review Journak V ok15 No4 2005 上。这篇文章主要是讨论使用模糊c－均值聚类 FCMC 和核主分量分析(KPCA)方法，对该实验室于2003年从美国乔治·华盛顿大学带回来的用U2飞机拍摄的地面“7通道多频谱遥感彩色图像数据”进行特征提取和对比度增强处理所取得的重要结果。评审人认为，这是一项漂亮的工作，它把FCMC和KPCA结合起来，能够很好地实现图像数据中非线性模式变量的特征提取，而且计算量大为减少。特别是，所提取的非线性特征的个数可以多于主分量分析提取的线性特征的个数，从而可以有效提取图像中的弱信息，即分布数量较少的目标信息。另外，通过对比度增强方法，能明显提高非线性特征图像的质量。
3.3 数学机械化
上世纪70年代后期，中科院吴文俊院士提出了使用机器帮助人们实现数学定理自动证明的思想，这为数学机械化奠定了坚实的基础。由机器来代替人实现自动化智能化处理，是人类孜孜以求的目标。吴文俊院士在这方面做出许多创新性研究成果，如非线性代数方程组求解的吴方法、偏微分代数方程组的整序方法等等，这些成果已经应用到包括机器人机构的位置分析、智能计算机辅助设计、图像压缩等领域。
实际上我们还可以进一步将“机器证明”推广到更一般的“机器解题”领域。考虑现实中的每个问题总蕴涵一定的先验信息，机器解题中的一个关键问题是，如何使得机器在求解问题时能自动运用来自问题中的先验信息，以帮助机器解题并加快求解速度。事实上我们可以借鉴神经网络中权值的自适应学习办法来解决这一问题。如果将对应的先验信息通过某种形式，耦合到所定义的误差代价函数中，则所推导出来的算法在空间搜索时，必将沿着问题先验信息所指定的方向前进，直至预定的误差。结果所花的搜索时间必然要比未考虑任何先验信息的算法快得多。目前，大量的实验研究已经证实我们的想法。
2004年中科院合肥智能机械研究所黄德双领导的研究小组在先验信息编码的约束学习算法方面的工作，以封面文章的形式发表在Neurak Computation V ok16 No8 2004 上。这篇文章介绍了用一种新的基于问题先验信息的约束学习算法，来加快神经网络求根器训练速度所取得的重要结果。评审人认为，所提出的约束学习算法是对神经计算领域的重要贡献，它不但对一类求根问题有潜在影响，而且对一类神经计算问题的实时求解也具有重要意义。
4 结语
智能计算技术是信息技术、神经信息学、生物信息学、化学信息等学科发展的核心和基础，它的突破将可能对其它交叉学科产生深远的影响。目前我院在这个领域的研究水平基本处于国内领先地位，已经逐渐成为我国发展智能计算技术最重要、最活跃的研究基地。
计算机专业的未来发展趋势 计算机专业一直是人们口中的热门专业，近年来，高校的计算机专业也不断扩招。随着互联 网的发展，计算机专业人才的缺乏也没有得到有效缓解。国内的软件开发人才，网络技术、 信息安全等方面的人才缺乏比较严重。那些高水平的系统分析师，资深项目策划人员非常少，从事程序开发的程序员也比较缺乏。 计算机就业方向: 软件方向，软件就业方向有软件开发，软件架构师，软件测试，应用软件(包括手机程序)的 调试、运行、测试、维护及质量管理等技术岗位的工作。JAVA软件开发，软件公司中Java 软件工程师、网络工程师、数据库工程师等相关职位。网络方向，IT企业、政府机关、企事 业单位、各类外资企业、电力、电信、汽车、房地产、金融、保险、税务、教育、科研等各 个行业从事计算机网络建设、运行、维护和管理工作。 计算机的就业趋势: 从总体上讲，社会对计算机人才总需求量有明显变化，但毕业生就业岗位分布和岗位层次将 更加宽泛，需求的主体由政府机关、金融单位、电信系统、国有企业转向教育系统、非公有 制经济实体等中小用人单位，由于毕业生人数剧增，就业率与供求比例明显相差大。企业是 吸纳人才的主力，随着国有企业改革步伐加大，对高新技术人才、计算机专业大学生的需求 会迅速增长，高新技术企业每年产值增长在20%以上，中国加入WTO，外国资本、公司的 涌入，需要招聘大批高素质的计算机专业人才，毕业生的就业选择和人才流动会偏向外资企业。 计算机专业就业前景: 随着科技的进步和信息事业的发展，尤其是计算机技术的发展与网络应用的逐渐普及。计算 机已成为人们工作和生活中不可缺少的东西。IT行业迅猛发展，就业工作岗位也比比皆是。 在最近几年内IT在职场排行榜中仍旧处于所有行业中的“老大”。计算机专业学生就业方向也 应该有所提高。虽然说计算机这行就业单位很多，但是面临的竞争也非常激烈。只有对基础 知识的学习才可以受用终身。
智能控制研究新进展 人工神经网络，一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。 1. 智能控制的特点 ①、不确定性的模型 智能控制的研究对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。 ②、高度的非线性 对于具有高度非线性的控制对象，采用智能控制的方法往往可以较好地解决非线性系统的控制问题。 ③、复杂的任务要求 对于智能控制系统，任务的要求往往比较复杂。 2.智能控制与传统控制的关系 智能控制与传统的或常规的控制有密切的关系，不是相互排斥的。常规控制往往包含在智能控制之中，智能控制也利用常规控制的方法来解决“低级”的控制问题，力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。 传统的自动控制是建立在确定的模型基础上的，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者模型的结构和参数在很大的范围内变动，比如工业过程的病态结构问题、某些干扰的无法预测，致使无法建立其模型，这些问题对基于模型的传统自动控制来说很难解决。 传统的自动控制系统对控制任务的要求要么使输出量为定值(调节系统)，要么使输出量跟随期望的运动轨迹(跟随系统)，而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。工业过程智能控制系统除具有上述几个特点外，又有另外一些特点，如被控对象往往是动态的，而且控制系统在线运动，一般要求有较高的实时响应速度等，恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别，决定了它的控制方法以及形式的独特之处。
智能移动机器人的现状和发展 姓名 学号 班级：
智能移动机器人的现状及其发展 摘要：本文扼要地介绍了智能移动机器人技术的发展现状，以及世界各国智能移动机器人的发展水平，然后介绍了智能移动机器人的分类，从几个典型的方面介绍了智能移动机器人在各行各业的广泛应用，讨论了智能移动机器人的发展趋势以及对未来技术的展望，最后提出了自己的建议和设想，分析我国在智能移动机器人方面发展并提出期望。 关键词：智能移动机器人；发展现状；应用；趋势 1引言 机器人是一种可编程和多功能的，用来搬运材料、零件、工具的操作机，或是为了执行不同的任务而具有可改变和可编程动作的专门系统。智能移动机器人则是一个在感知 - 思维 - 效应方面全面模拟人的机器系统，外形不一定像人。它是人工智能技术的综合试验场，可以全面地考察人工智能各个领域的技术，研究它们相互之间的关系。还可以在有害环境中代替人从事危险工作、上天下海、战场作业等方面大显身手。一部智能移动机器人应该具备三方面的能力：感知环境的能力、执行某种任务而对环境施加影响的能力和把感知与行动联系起来的能 力。智能移动机器人与工业机器人的根本区别在于，智能移动机器人具有感知功 能与识别、判断及规划功能[1] 。 随着智能移动机器人的应用领域的扩大，人们期望智能移动机器人在更多领 域为人类服务，代替人类完成更复杂的工作。然而,智能移动机器人所处的环境 往往是未知的、很难预测。智能移动机器人所要完成的工作任务也越来越复杂; 对智能移动机器人行为进行人工分析、设计也变得越来越困难。目前，国内外对 智能移动机器人的研究不断深入。 本文对智能移动机器人的现状和发展趋势进行了综述，分析了国内外的智能 移动机器人的发展，讨论了智能移动机器人在发展中存在的问题，最后提出了对 智能移动机器人发展的一些设想。 1
计算机发展现状 微处理器微处理器的发展很提高了计算机的性能，表现在 缩小处理器芯片晶体管的尺寸上，基本方法在于改进光刻技术，即使用短波长的曝光源，然后经过掩膜曝光，把硅片上的晶体管做小，连接晶体管的导线做细，曝光源主要指紫外线但有几个限制： 1 ）条宽接近或小于光的波长时，刻蚀技术会失败； 2 ）电子行为的限制； 3 ）量子 效应的限制等 纳米电子电子元件对计算机技术的发展十分重要，但随着计算 机技术的发展，现有的电子元件已不能满足计算机微型化和智能化的要求了，集成度和处理速度成为了计算机发展的双重制约而纳米电子技术解决了这一难题，它代表了一类新型的思维方式，而不仅仅单纯是尺寸的减小 计算机未来的发展趋势展望 随着硅芯片技术的高速发展，硅技术越来越接近了其自身的物理 发展极限，以此，迫切要求计算机从结构变革，到器件与技术的革命这一系列的技术都要产生一次质的飞跃才行新型的量子计算机光子计算机分子计算机和纳米计算机应运而生 1 ）量子计算机量子计算机是基于量子效应基础上开发的，它利 用一种链状分子聚合物的特性来表示开与关的状态，利用激光脉冲来改变分子的状态，使信息沿着聚合物移动，从而进行运算 一个量子位可以存储2个数据（0和1可同时存取），同样数量的 存储位，量子计算机的存储量比普通计算机要大得多，而且能够实行量子并行计算，其运算速度可能比现有的个人计算机的奔腾3的晶片快将近10亿倍 2 ）光子计算机光子计算机即全光数字计算机，以光子代替电子， 光互连代替导线互连，光硬件代替计算机中的电子硬件，光运算代替电运算 光的高速，天然地决定了光计算机有超高速运算速度；与只能在 低温下工作的超高速电子计算机相比，光计算机可在正常室温下工作；光计算机还具有容错性，从这个层面上，可以人脑相媲美；还有如果某一元件损坏，并不影响计算的结果 3 ）分子计算机其运算过程指蛋白质分子与化学介质的相互作用， 计算机的转换开关是酶，而程序在酶合成和蛋白质中表现出来 其完成一项运算，所需的时间仅为10微微秒，是人的思维的100 万倍的速度；DNA分子计算机有1立方米的DNA溶液存储1万亿亿的二进制数据的存储容量；DNA计算机消耗的能量只有电子计算机的十亿分之一；其芯片原材料是蛋白质，所以它既可自我修复，又能直接与生物体相连接
云计算发展现状及趋势研究 摘要：云计算近年来在越来越多的场合被广泛运用，同各行业逐渐走向深度融合，不仅方便了人们的工作和生活，也引发了人们对云计算的高度关注和热烈讨论，给我们带来的机遇和挑战也是全面的。文章通过阐述云计算的基本概念，分析云计算的特点，国内外云计算的发展现状，以及云计算存在的问题，并对未来云计算的发展趋势作了展望。 关键词：云计算；趋势；现状 20世纪60年代，约翰?麦卡锡提出，“计算迟早有一天会变成公用基础设施”，这就意味着计算能力将来有可能和普通商品一样进行流通，这是云计算最初的起源。2007年10月，美国两大互联网巨头IBM和Google，宣布在云计算技术领域的合作。云计算吸引了大众的关注，越来越多的媒体、公司、技术人员开始追逐云计算。 1 云计算的概述 1.1 云计算的定义 对于云计算的认识，仍在持续的变化之中，从不同的角度出发，对云计算的理解会有些许偏差。但是云计算最基本的概念是相通的，为了便于理解，我们可以把它拆分成3个步骤：（1）通过网络将大量的需要处理的程序自动地拆分成
无数个较小的子程序。（2）交由多部服务器组成的庞大系统搜寻分析。（3）将分析的结果回传给用户。这样处理能使用户按照需要获取计算力、存储空间和信息服务等，并且能提高资源的利用率。 1.2 云计算的特点 从目前的研究现状上看，云计算系统具有以下几个外部特征。（1）超大规模。云具有相当大的规模，大型互联网企业能拥有几十万台服务器，全球最大的搜索引擎谷歌公司甚至拥有一百多万台服务器，云能让客户拥有前所未有的计算能力。（2）虚拟化。云计算虚拟化是指应用在云中某处运行，但用户无需了解，只需要一部终端就可以通过网络服务实现需要的一切。（3）按需服务。云是一个庞大的资源池，用户可以按需购买，云可以像自?硭?、电、煤气这些生活用品一样按需计费。（4）可伸缩性。云的规模可以动态伸缩，在一定限度内变动，以适应应用和用户规模增长的变化。（5）服务可度量。云计算资源的优化和控制能力都具备可度量的特征。 2 云计算的发展现状 当前，虽然世界云计算正在蓬勃发展，但是比如安全问题等关键技术还在不断完善，产品和服务还在持续创新。然而，全球云计算市场规模正在不断扩大，2016年全球云服务市场规模金额为2 094.8亿美元，2017年全球云服务市场规
计算机行业发展趋势 计算机行业发展趋势 计算机专业毕业后，大致的工作方向是软、硬、网、图四大类，尤其以软件、网络为现今的首选。从岗位上分，又可以分为技术道路、营销道路两大方向。 if 你选择硬件技术，then 从现在开始，牢记:天道酬勤～～～ if 你选择软件技术，then 每天都要用大量的时间学习高级语言，绝对不能仅限于学校的安排。优秀的程序员都是大学阶段就已经自学得非常深入了。 if you选择网络技术，那么你就多多从网上阅读有关资料。 if you 选择营销类，那么，你只要将老师教授的学好就ok，但是，一定要用大量的时间和计算机专业的朋友相交流。 1.首先请你热爱这个专业。只有这样，你才会从抽象的理论中找到实实在在的快乐。如果你不热爱她，或者只因为这是个热门专业，那么极力要求你放弃这个专业，因为计算机是一把双刃剑，学好了你会飞黄腾达，学不好你毕业后会极其痛苦，高不成低不就，没有发展潜力，如同学习英语专业的人到了美国一样。 2.不要用功利眼光对待这个学科，这绝对不是点点鼠标就能挣钱的专业。不要去想做网站挣钱，不要想靠点击率增加广告，这个在4年前已经过时，如果你现在仍然这么想，千万别说出来，因为我会觉得你很土。 3.搞明白计算机“科学”与“技术”的含义。做网页，做图片，做flash， 玩游戏，上网，听歌，录mp3,搞电影字幕，装windows,改注册表，为软件做皮肤……这通通不叫计算机科学与技术，如果你是学计算机的学生，会做以上事情，那是你应该的，不会做，也没什么丢人的，我们需要的不是让别人称作“高手”。
4.明确你最终的专业方向是软件还是硬件。网络是最优秀的软件工程师、最优秀的硬件工程师与最优秀的通信工程师的智慧结晶。如果你是软件方向，请你在学精一揽子数学、数据结构、算法设计、数值分析、汇编语言、操作系统、编译原理、数据库原理、软件工程之类课程后，仔细的听一听硬件课程，他对你有用。软件工程绝对不是背背就能过的课，计算机理论可能是一个人就能研究出来，软件工程是成千万网软件工程师几十年来失败的教训凝结成的结晶，请认真听课。不要问我应该学什么语言，计算级专业的人必须具备任何语言1小时上手的能力，最起码要在10分钟把;hello world;做出来。如果说有必须学的两种语言，那他们是c++与java,学他们不是在学语言，而是在学会思考他们的原理，一个是软件的基础理论，一个是面向对象的基础理论，从来没有人听说过“thinking in basic”。如果你说c++过时了，那么千万别告诉别人你的名字，因为很丢人。老师只会教给你c，不会教给你++，所以不要被他蒙蔽，大胆的问他++，如果他不会，干脆换老师。 5.即使你学好了以上课程，我们仍然差得很远，我们只弄清学什么了，但是还不知道做什么。我们的课程设计太小儿科了，别对你在国外的同学说，否则会被笑话，所以我们要尽可能的多做设计，别一个人们闷着头做，两三个人合作一个项目，不会交流的计算机人员30岁以后肯定会下岗。题目呢，尽量是一些简单的底层开发，可以去国外大学网站上搜一搜，要自信你一定能做出来，毕竟不是什么难题，而是我们应当具备的素质。 6.如果你对网络有意，在具备了一定动手能力后从协议或者底层硬件的角度去学习它。否则你将会变成从一名高贵的计算机专业人员堕落为做着沉重机械体力劳动的民工。对网络安全感兴趣，那么你就在学会使用各种工具的一个月后从编程的角度深入学习网络协议和操作系统吧～只会用工具攻击无知人员的漏洞是一种白痴的行为，如果乐此不疲，并到处叫嚷“我是黑客”，那么这种行为可以被称作“白
计算机的发展历程与趋势 注： 参考相关资料《计算机应用基础教程——Windows7 Office 2010》 百度百科，维基百科，网上相关图片，希望赵老师可以认真批阅， 如有错误地方希望指导更正。
一、计算机的发展历程 我 们现在的社会越来越离不开电脑，各种社会人员，总是 时不时的打开电脑。在我们感受计算机带给我们的方便时候，我们也更要了解计算机的历程，下面就一一地介绍我们的先辈如何通过努力将我们带进一个信息数字化的时代。 1946年2月，美国宾夕法尼亚大学诞生了一台被称为ENIAC的庞然大物，从此便开启了计算机时代的大门。从此计算机技术已经成为20世纪发展最快的一门学科，尤其是微型计算机的出现和计算机网络的发展，使计算机的应用渗透到社会的各个领域，有力地推动了信息社会的发展。一直以为，人们都以计算机物理器件的变革作为标志，故而把计算机的发展分为四代。
1.第一代（1946—1958年）;电子管计算机时代 第一代计算机的内部元件使用的是电子管。世界上第一台电子数字积分式计算机--埃尼克（ENIAC）在美国 宾夕法尼亚大学莫尔学院诞生。 ENIAC犹如一个庞然大物，它 重达30吨，占地170平方米， 内装18000个电子管， 但其运算速度比当时最好的机电 式计算机快1000倍。1949年，第一台存储程序计算机--EDSAC在剑桥大学投入运行，NIAC和EDSAC均属于第一代电子管计算机。电子管计算机采用磁鼓作存储器。磁鼓是一种高速运转的鼓形圆筒，表面涂有磁性材料，根据每一点
的磁化方向来确定该点的信息。第一代计算机由于采用电子管，因而体积大、耗电多、运算速度较低、故障率较高而且价格极贵。本阶段，计算机软件尚处于初始发展期，符号语言已经出现并被使用，主要用于科学计算方面。 2.第二代（1959—1964年）：晶体管计算机时代
智能设备的特点及发展趋势 电脑，智能手机，照相机，洗衣机等传统智能设备的出现颠覆了世界，从此，人类的生活发生了巨大的改变，而这种改变也一直使人们对新时代智能设备的发展抱有无限憧憬。如今，随着物联网的发展，新式智能设备不断传出。 举例1：iwatch苹果智能手表，以最简单的形式在传统手环上嵌入柔性显示屏以及必要的电子元件。双稳定弹簧由薄钢条制成，然后用纤维物包裹并加热封闭。显示器将用胶粘剂粘在手环一侧，而设备的主板、电池和其他部件安装在另一侧。通过这种方式安装部件，在佩戴时手环将盖住重要的电子模块。当其处于“卷曲状态”时，手环仍可呈现出不间断屏幕的形式。上面的传感器，如陀螺仪和加速计，将帮助其定位屏幕上的信息，方便用户浏览，可与智能手机连网。这款设备可以通过蓝牙或WiFi与包括iPhone和其他智能手机在内的便携式设备连网，实现信息共享。用户还可以通过这款设备完成很多工作，包括调整播放清单、查看最近通话记录和回复短信息等。 举例2：智能手环，是新兴起的一个科技领域，它可以跟踪用户的日常活动、睡眠情况和饮食习惯等，并可将数据与iOS、Android 设备同步，帮助用户了解和改善自己的健康状况。 举例3：BrainLink 智能头箍，BrainLink是一个安全可靠，佩戴简易方便的头戴式脑电波传感器。它可以通过蓝牙无线链接手机、平板电脑、手提电脑、台式电脑或智能电视等终端设备。配合相应的应用软件就可以实现意念力互动操控。Brainlink引用了国外先进的脑机
接口技术，其独特的外观设计、强大的培训软件深受广大用户的喜爱。它能让手机或平板电脑即使了解到您的大脑状态，例如是否专注、紧张、放松或疲劳等。您也可以通过主动调节自己的专注度和放松度来给予手机平板电脑指令，从而实现神奇的“意念力操控”。 举例4：智能抽油机，智能抽油机与磕斗机相比，实现了信息自动采集和远程控制功能，解决了长期存在的“干抽”和“卡泵”等难题，并利用无线数据传输系统，可将产量、液面、深度、运行参数、故障警报等数据信息，发送到用户手机或计算机终端上，同时用户也可用手机或计算机远程控制设备的运行，大大提高了工作效率和机械化程度。 举例5：穿戴式胎语依，传统的设备仅仅只是听一个胎心，胎音。胎语仪除了听胎音和胎心之外，还可以实时的把这个曲线绘制出来，医生可以通过这个胎心曲线知道胎儿是不是缺氧，在体内是否健康，更多的除了医学意义之外，因为它是跟无线互联网联合在一起，因此可以把娱乐性趣味性加进来，比如制作胎音音乐，摇篮曲等，因此大数据在智能穿戴设备中显得尤为重要。 举例6：谷歌眼镜，人们可利用语音指令拍摄照片、摄制视频、与他人在网上互动。不会在手机屏幕上提供搜索或导航结果，而是会将地图叠加到用户的视野中。 举例7：指套探测器，这种指套探测器的表面装有一些微小、极薄的传感器，能够检测被感知物的性质（如酸度），而内置于其超薄有机硅材料中的金属电路则负责处理数据。当它发现所寻找的东西
计算机行业的发展前景 计算机专业一直是人们口中的热门专业，近年来，高校的计算机专业也不断扩招。随着互联网的发展，计算机专业人才的缺乏也没有得到有效缓解。国内的软件开发人才，网络技术、信息安全等方面的人才缺乏比较严重。那些高水平的系统分析师，资深项目策划人员非常少，从事程序开发的程序员也比较缺乏。 计算机就业方向 软件方向，软件就业方向有软件开发，软件架构师，软件测试，应用软件(包括手机程序)的调试、运行、测试、维护及质量管理等技术岗位的工作。JAVA软件开发，软件公司中Java软件工程师、网络工程师、数据库工程师等相关职位。 网络方向，IT企业、政府机关、企事业单位、各类外资企业、电力、电信、汽车、房地产、金融、保险、税务、教育、科研等各个行业从事计算机网络建设、运行、维护和管理工作。 计算机的就业趋势 从总体上讲，社会对计算机人才总需求量有明显变化，但毕业生就业岗位分布和岗位层次将更加宽泛，需求的主体由政府机关、金融单位、电信系统、国有企业转向教育系统、非公有制经济实体等中小用人单位，由于毕业生人数剧增，就业率与供求比例明显相差大。企业是吸纳人才的主力，随着国有企业改革步伐加大，对高新技术人才、计算机专业大学生的需求会迅速增长，高新技术企业每年产值增长在20%以上，中国
加入WTO，外国资本、公司的涌入，需要招聘大批高素质的计算机专业人才，毕业生的就业选择和人才流动会偏向外资企业。 计算机专业就业前景 随着科技的进步和信息事业的发展，尤其是计算机技术的发展与网络应用的逐渐普及。计算机已成为人们工作和生活中不可缺少的东西。IT 行业迅猛发展，就业工作岗位也比比皆是。在最近几年内IT在职场排行榜中仍旧处于所有行业中的“老大”。计算机专业学生就业方向也应该有所提高。虽然说计算机这行就业单位很多，但是面临的竞争也非常激烈。只有对基础知识的学习才可以受用终身。 就业状况 2017 年以来，我国计算机产业维持稳中有升的态势。一季度，国内生产的微型计算机设备总计6,570 万台，同比增长2.1%，其中笔记本电脑3,903 万台，同比增长10%，平板电脑1,604 万台，同比下降16%。软件层面，第一季度我国完成软件业务收入11,383 亿元，同比增长12.9%，增速同比回落2.6 个百分点。值得关注的是，2017 年前4 个月的软件业务同比增速呈现逐渐增长的势头。2016 年全年，我国软件业务收入为4.9 万亿元，同比增长14.9%，增速比2015 年回落0.8 个百分点。整体来看，计算机行业已经从前几年的高速成长逐渐过渡到目前稳健成长的阶段，虽然行业增速逐渐回落，但计算机行业整体处在稳中有升的发展阶段。从国家统计局关于企业景气程度的数据来看，2017 年第一季度的“信息传输、计算机服务和软件业”以及“计
智能公共交通系统在中国城市的应用及发展趋势 摘要:智能交通系统是目前国内外公认的解决城市交通拥堵问题的重要途径之一,也是费效比最显著的途径.作为国内城市交通系统最重要组成部分之一的公共交通系统,近年来开始出现了大量智能公共交通系统方面的应用尝试.对我国目前城市投入应用的智能公共交通系统(APTS)的应用状况进行了分析,并根据我国当前国情,分析了我国智能公交系统未来可能的应用方向,提出了对智能公共交通系统改进的技术趋势分析. 关键词:智能公共交通系统，GPS，IC卡，应用 引言 我国是发展中国家,虽然近20年来始终保持了经济的高速增长,但是与西方发达国家相比,在城市基础设施尤其是公共交通基础设施方面,依然存在着很大的差距.同时近年来随着我国城镇化水平的快速提高,城镇人口数量在急剧增加.此外,我国的城镇化时期恰好又伴随着机动化,这必然造成有限的城市道路空间与巨大的机动车增长之间的冲突,给本来就非常拥堵的城市交通增加了更大的压力. 从世界范围来看城市交通的发展,几十年来世界各工业化国家城市机动交通的发
展历程,大都走过了先发展小汽车,后控制小汽车,最终选择发展大公交的曲折道路.我国土地资源稀缺,城市人口密集,群众收入水平总体不高,优先发展城市公共交通更是我们的现实选择.近年来,我国各个主要城市在常规公交设施方面投资较大,城市公交运力得以快速增加,万人公交车辆拥有量由2001年的6.1辆增长到2004年的8.4辆.但是城市公共交通客运量并没有相应大幅度提高,部分城市呈现下降趋势.在出行方式结构方面,我国主要大城市公共交通基本呈现下降趋势,公 交客运量和运力的比值均在下降,运力的增加不一定带来运量的增加. 如图1所示,我国主要大城市历年公交运量Π公交运力比值都出现了大幅度下降[1]. 当前,城市居民对公共交通系统最大的不满主要就是公交服务水平低,例如公交出行速度慢、舒适性差、换乘困难等方面.在传统公交系统建设模式下,改善上述问题需要巨额建设经费的支持,其建设成效还要受到城市交通整体环境的影响.与 之相对应,智能公共交通系统则是实现“公交优先”的最有效的途径之一. 所谓智能公共交通系统,就是在公交网络分配、公交调度等关键理论研究的前提下,利用系统工程的理论和方法,将现代通信、信息、电子、控制、计算机、网络、GPS、GIS等新技术集成应用于公共交通系统,通过构建现代化的信息管理系统和控制调度模式,实现公共交通调度、运营、管理的信息化、现代化和智能化,为出行者提供更加安全、舒适、便捷的公共交通服务,从而吸引公交出行,缓解 城市交通拥挤,有效解决城市交通问题,创造更大的社会和经济效益[2]. 1国内智能公共交通管理系统的应用现状 智能公共交通系统作为智能交通系统重要的子系统之一,在我国“十五”科技攻关的智能交通系统(ITS)城市示范中,北京市、上海市、青岛市、杭州市、重庆市等多个城市的ITS建设示范中都包括了 智能公共交通系统的内容.将其作为缓解城市交通拥堵、提高城市公共交通服务水平的重要途径. 当前我国城市智能公共交通系统方面的应用,主要集中在如下几个领域中[3]. 1.1公交车辆智能调度系统
云计算的现状和发展趋势分析 摘要：文章分析了云计算的现状以及发展趋势，并强调了云计算终端的重要性。 关键词：云计算；应用虚拟化；云计算终端 Cloud computing analysis of the status quo and development trend Abstract：This paper analyzes the status quo and development trend of cloud computing, and emphasized the importance of cloud computing terminal. Key words：cloud computing, application virtualization, cloud computing terminal 引言 21世纪初期，崛起的Web2.0让网络迎来了新的发展高峰。网站或者业务系统所需要处理的业务量快速增长，例如视频在线或者照片共享网站需要为用户储存和处理大量的数据。这类系统所面临的重要问题是，如何在用户数量快速增长的情况下快速扩展原有系统，随着移动终端的智能化、移动宽带网络的普及，将有越来越多的移动设备进入互联网，这意味着与移动终端相关的IT系统会承受更多的负载，而列于提供数据服务的企业来讲，IT系统需要处理更多的业务量。 由于资源的有限性，其电力成本、空间成本、各种设施的维护成本快速上升，直接导致数据中心的成本上升，这就面临着如何有效地、更少地利用资源解决更多的问题。同时，随着高速网络连接的衍生，芯片和磁盘驱动器产品在功能增强的同时，价格也在变得更加低廉，
计算机专业未来的发展趋势怎么样 计算机专业一直是人们口中的热门专业，近年来，高校的计算机专业也不断扩招。随着互联网的发展，计算机专业人才的缺乏也没有得到有效缓解。国内的软件开发人才，网络技术、信息安全等方面的人才缺乏比较严重。那些高水平的系统分析师，资深项目策划人员非常少，从事程序开发的程序员也比较缺乏。 计算机就业方向 软件方向，软件就业方向有软件开发，软件架构师，软件测试，应用软件(包括手机程序)的调试、运行、测试、维护及质量管理等技术岗位的工作。JAVA软件开发，软件公司中Java软件工程师、网络工程师、数据库工程师等相关职位。 网络方向，IT企业、政府机关、企事业单位、各类外资企业、电力、电信、汽车、房地产、金融、保险、税务、教育、科研等各个行业从事计算机网络建设、运行、维护和管理工作。计算机的就业趋势从总体上讲，社会对计算机人才总需求量有明显变化，但毕业生就业岗位分布和岗位层次将更加宽泛，需求的主体由政府机关、金融单位、电信系统、国有企业转向教育系统、非公有制经济实体等中小用人单位，由于毕业生人数剧增，就业率与供求比例明显相差大。
企业是吸纳人才的主力，随着国有企业改革步伐加大，对高新技术人才、计算机专业大学生的需求会迅速增长，高新技术企业每年产值增长在20%以上，中国加入WTO，外国资本、公司的涌入，需要招聘大批高素质的计算机专业人才，毕业生的就业选择和人才流动会偏向外资企业。 计算机专业就业前景 随着科技的进步和信息事业的发展，尤其是计算机技术的发展与网络应用的逐渐普及。计算机已成为人们工作和生活中不可缺少的东西。IT行业迅猛发展，就业工作岗位也比比皆是。在最近几年内IT在职场排行榜中仍旧处于所有行业中的“老大”。计算机专业学生就业方向也应该有所提高。虽然说计算机这行就业单位很多，但是面临的竞争也非常激烈。只有对基础知识的学习才可以受用终身。
智能控制的发展趋势和应用 学号0000000 姓名****** 老师钟春富
摘要：描述了智能控制产生的历史以及全世界对于智能控制有研究的多个国家在智能控制的研究方向以及研究水平，介绍了智能控制的发展趋势以及智能控制发展面临的问题，详述了智能控制的主要研究方向，说明了智能控制的应用方向以及具体应用，展望了智能控制的发展前景以及对于社会生产和日常生活的积极意义。 关键词：智能控制、模糊控制、神经网控制、专家控制、智能化。 一、智能控制的产生 人类的进化归根结底是智能的进化，而智能反过来又为人类的进步服务。我们学习与研究智能系统、智能机器人和智能控制等，其目的就在于创造和应用智能技术和智能系统，从而为人类进步服务。因此，可以说对智能控制的钟情、期待、开发和应用，是科技发展和人类进步的必然趋势。 在科学技术发展史上，控制科学同其他技术科学一样，它的产生与发展主要由人类的生产发展需求和人类当时的知识水平所决定和限制的。 20世纪以来，特别是第二次世界大战以来，控制科学与技术得到了迅速的发展，由研究单输入单输出被控对象的经典控制理论，发展成了研究多输入多输出被控对象的现代控制理论。1948年，美国著名的控制论创始人维纳(N．Wiener)在他的《控制论》中第一次把动物和机器相提并论，引起哲学界的轩然大波，有人骂控制论是“伪科学”。 直到1954年钱学森博士在《工程控制论》中系统地揭示了控制论这一新兴学科对电子通讯、航空航天和机械制造工业等领域的重要意义和深远影响后，反控制论的热潮才逐渐开始平息。20世纪60年代，由于空间技术，海洋技术和机器人技术发展的需要，控制领域面临着被控对象的复杂性和不确定性，以及人们对控制性能要求越来越高的挑战。被控对象的复杂性和不确定性表现为对象特性的高度非线性和不确定性，高噪声干扰，系统工作点动态突变性，以及分散的传感元件与执行元件，分层和分散的决策机构，复杂的信息模式和庞大的数据量。 面对复杂的对象，复杂的环境和复杂的任务，用传统控制(即经典控制和现代控制)
2017年云计算市场分析发展趋势 如果从亚马逊AWS S3服务商用算起，云计算已经发展了十年，十年时间在科技行业已经算比较长的发展时间周期了，那么经过十年发展，云计算市场是否可以说格局已定，竞争态势已经明朗了呢？ 1.全球云计算市场整体情况 先从云计算整体市场来看，数据最客观，先来看看Gartner的预测数据，Gartner预计2017年云计算市场占总体IT市场达到18%，预计未来几年扔将保持快速增长，到2020年云计算占整体市场24%，从数据来看，这一比例还很小。另外一组数据是，全球IT支出的90%来自财富前2000强，9%来自于2000到2万强，剩下的企业占1%，一般新技术突破10%临界点走会步入加速上升的趋势，综合可知，2017年云计算会深化在行业大客户应用的广度和深度，会有越来越多的大型企业采用。当前IT市场向云转型已经成为行业共识，所以从这个角度来分析，云计算竞争关键在于大型企业，现在市场远没有到格局已定的阶段，现在就下定论还早！ 云计算与非云IT占比2014-2020（蓝色部分为云计算） 2.云计算细分领域竞争格局 1）细分领域市场领导者 从synergy的数据可以看出，在基础设施服务领域（IaaS/PaaS）,亚马逊和微软处于领先位置，而在私有云/混合云领域，领导者变成了IBM和亚马逊，SaaS领域领导者为微软和Salesforce，而UCaaS领域则变成了Cisco和Citrix，所以说云计算不同领域市场领导者不同，不能一概而论
2）细分区域发展阶段不同 从市场发展阶段来看，美国市场起步最早，发展最快，呈现出向巨头汇聚的特点，，以AT&T、Verizon为代表的许多企业纷纷退出，云计算领域为四大巨头占据：亚马逊、微软、IBM和Google，从synergy的数据可以看出，微软和Google增长特别快，不断追赶亚马逊，Google最近雄心勃勃的提出要五年内赶超亚马逊。 盘点一下美国的四家云计算公司： AWS:亚马逊在公有云领先发优势明显，市场份额Iaa占整体40%以上，是排名第二阵营的Azure、google、ibm之和还多；IaaS 优势基础上，发展paas业务，同时通过与VMware的深度合作，切入企业传统应用市场 微软:推行CloudFirst战略获得成功，Azure基础云服务快速增长，站稳了公有云第二，Office365用户近8000万，得到资本市场的认可，市值达到500亿,希望通过Azure stack混合云方案打通线上和线下能力，同时积极布局AI，将AI整合到产品和服务中。 谷歌：从2015年11月起，格林开始担任谷歌云计算负责人，并为此开展了一系列重组和并购。对于人工智能、机器学习等领域的发展，格林透露，谷歌已经先后收购了Kaggle、DeepMind等公司。谷歌在AI技术和生态方面优势明显，正高速追赶中，
计算机科学前沿热点及发展趋势 摘要:计算机科学围绕信息、知识、智能等主题发展迅速。文章系统地介绍了信息处理、文字与自然语言的理解、数据仓库和数据挖掘；知识科学；人工智能、人工神经网络的研究、遗传算法、逻辑学等领域研究中前沿的若干问题，并提出未来计算机科学的发展趋势。 关键词:信息技术知识科学智能技术发展趋势 在短短的60年里，计算机科学发展至今，取得了巨人的成就。从观念上改变了人们对世界的认识，将人类社会带入了信息时代。加速T人类社会的发展。在今天计算机科学技术已经成为人们日常生活工作中不可或缺的重要组成部分，而计算机技术的发展也将越来越多影响人类社会的进步。 1 计算机科学前沿热点 近年来，计算机科学中前沿的问题主要围绕信息、知识、智能三大研究领域展开讨论。本文中所指的信息是指客观事物的属性。而知识不同于信息，它是人们对信息经过大脑的加工与处理后，形成的规律、规则、方法及认识。智能则是指大脑从历史信息、知识的基础之上形成的对现有信息、知识的推理、演绎、判断的方法。 根据研究分析表明，在三大研究领域中，主要有以下前沿热点研究： (1)信息方面:信息处理、数据仓库和数据挖掘、生物信息学。 (2)知识方面：以知识科学与知识工程为主要研究的问题。 (3)智能方面：以人工神经网络的研究,机器证明,人工智能与专家系统,遗传算法,代数逻辑学形成了本研究领域的主要特色。 1.1 信息科学 1.1.1信息处理技术 信息处理技术是当今计算机科学发展的重点，目前计算机处理的信息可分为符号和数据，因而一切要由计算机处理的对象首先是符号化和数字化。信息科学正在形成和迅速发展，现在主要的研究课题集中在以下六个方面: (1)信息源理论和信息的获取。主要研究自然信息源和社会信息源,以及从信息源提取信息的方法和技术。 (2)信息的传输、存储、检索、转化和处理。 (3)信号的测量、分析、处理及显示。 (4)模式信息处理。研究对文字、声音，图像等信息的处理、分类和识别，研制机器图像和语音识别系统。 (5)知识信息处理。研究知识的表示、获取和应用，建立具有推理和自动解决问题能力的知识信息处理系统，即专家系统。 (6)决策和控制。在对信息的采集、分析、处理、识别和理解的基础上作出判断、决策或控制，从而建立各种控制系统、管理信息系统和决策支持系统。 1.1.2数据挖掘技术 传统的数据库技术是单一的数据资源，即以数据库为中心，对事务处理、批处理到决策分析等各种类型的数据处理工作。近年来，随着计算机技术的发展,对数据库中数据操作提出了更高的要求，希望计算机能够更多的参与数据分析与决策的制定等领域。数据库处理可以大致划分为两大类:操作型处理和分析型处理(或信息型处理)。这种分离,划清了数据处理的分析型环境与操作型环境之间的界限,从而由原来的以单一数据库为中心的数据环境发展为一种体系化环境,因而产生了数据挖掘技术。在这方面目前主要解决的前沿问题有: (1)异构数据的接口机制；(2)数据仓库的体系结构问题；(3)数据仓库的数据优化问题；(4)
AUTO AFTERMARKET | 汽车后市场 智能网联汽车技术应用与发展趋势 吉星 李维晋 陕汽重型汽车有限公司 陕西省西安市 710200 摘 要： 智能网联汽车主要是指搭载信息化的执行器、控制器以及传感器装置，与网络技术和通信技术充分融合，实现汽车与云端、路、人的智能信息共享和交换，具有协同控制、智能决策以及环境感知等功能，进而实现“节能、舒适、高效以及安全”驾驶，智能网联汽车能够为驾驶者提供更加节能和安全的出行方式，是汽车行业的未来发展趋势。本文主要针对智能网联汽车技术应用与发展趋势进行分析和探究，希望给予我国汽车制造行业以些许参考和借鉴。 关键词：智能网联汽车；技术应用；发展趋势；分析 随着人工智能和移动互联网技术的蓬勃发展，其已经在诸多领域和行业实现了广泛应用，并且在世界范围内掀起了科技革命的热潮。随着时代的发展，汽车已经成为人们出行的重要工具，是仅次于智能手机的重要移动终端，并且趋于服务化、电动化、互联化以及自动化趋势发展，汽车的价值核心正在不断改变，共享出行、自动驾驶以及车联网开始被更多的人熟知并且认同。智能网联汽车是科技革命下的新兴产物，是互联化和自动化融合的科技体现，其不仅可以带给驾驶员以优质的驾驶体验，同时还具有较强的社会效益，例如减少拥堵、节能减排、保障安全以及改善交通等，拉动社会管理、服务、通讯、电子以及汽车的协同发展。 1 智能互联汽车发展现状 当前，随着汽车行业的快速发展，智能网联汽车逐渐受到公众和社会的高度重视，其是汽车技术的未来发展趋势，具有关联领域多、技术方案多以及功能涵盖多等特点，其关联不同的整车系统，强调车联网技术的应用与融合，产业化发展进程迅速，市场竞争日趋激烈。随着自动驾驶和智能网联技术的发展，世界多个城市根据智能网联汽车的发展，在不同道路开放了测试权限，例如我国在上海以及北京等城市发布了相关执行细 则。智能网联汽车想要完全实行自动驾驶， 真正达到智慧出行的终极目标，要结合人工 智能、卫星导航以及网络技术，消除驾驶员 对汽车的操控以及干扰程度。应用以及完善 辅助驾驶系统（ADAS ），是实现自动驾驶 的重要基础以及核心技术。 2 智能网联汽车技术应用 2.1 技术定义 智能网联汽车目前还处于初级阶段， 以辅助驾驶为主，通过利用辅助驾驶系统 （ADAS ），已经实现了智能化辅助驾驶， 开始进入自动驾驶测试环节。当前，世界很 多大型汽车制造企业都在积极开展自动驾驶 的相关研究工作，提出在2025年推动智能网 联汽车产业化、规模化生产。欧洲、日本、 美国以及中国等汽车产业发达的地区和国家， 开始尝试在辅助驾驶系统（ADAS ）中融入 其他智能体系，进而提升其智能标准，推动 智能网联汽车的产业化发展，例如美国和欧 洲提出在2021年，将11项智能技术融入到 辅助驾驶系统（ADAS ）中，实现系统的升 级改造，进而提升汽车的智能化程度，为自 动驾驶提供技术支撑。 辅助驾驶系统（ADAS ）属于自动安全 技术的改造与升级，其系统包含多项先进技 术，以行车安全为核心和出发点，可以有 效解决汽车在行驶中的纵向以及横向安全 问题。在智能物联汽车中，辅助驾驶系统 （ADAS ）的主要技术为：第一，传感器技 术，其作为系统的“眼睛”，具有传递诉求 和保证安全的作用，技术组成较为复杂；第二， 集成技术，其可以对转向系统、制动以及动 力进行电控集成，在高安全、高配置的技术 条件下，系统所具备的集成能力可以提升汽 车安全性能；第三，人机互动技术，其是人 工智能的重要体现，良好的人机互动可以提 升驾驶的安全性、便利性以及舒适性，但是 人机互动技术需要将正确的信息及时传递给 驾驶员，并且与车机系统完美融合，进而起 到优化驾驶体验的效果。 2.2技术应用 辅助驾驶系统（ADAS ）是智能网联汽 车实现自动驾驶的技术基础以及核心，随着 汽车竞争行业的不断加剧，多家大型汽车制 造企业都将目光聚焦在自动驾驶上，并且将 其视为未来汽车的发展趋势，对辅助驾驶系 统（ADAS ）技术的开发和研究也不断深入， 汽车装配率持续攀升。随着传感技术的快速 发展，消费者对安全驾驶更加重视和关注， 原本在B级别以及C级等高级车型中才会装 164AUTO TIME
云计算研究和发展趋势摘要：随着p计算，d计算，g计算的发展，一种新的计算方法出现了。计算的概念是从G计算和公共计算以及SaaS中来。它是一种共享基本框架的新方法。云计算的基本原则是将计算分配给大量distributed计算机，而不是本地计算机和远程服务器。企业数据中心的运转就像互联网那样。这使得企业可以按照需求运用资源，并根据要求操作电脑，储存系统。本文旨在介绍云计算的背景和规则，并介绍云计算的应用领域，比如它并不需要使用者有很高级的设备，进而减少了使用者的花费。它提供了准确并相对独立的数据存储中心，所以用户不必去做诸如数据存储，查杀病毒之类很令人头疼的事，这类事情可以交给专业人员操作。它还可以通过不同设备实现数据共享。它可以分析一些问题和潜在风险，并提出一些解决方案，并且讨论未来的云计算。云计算为IT业界提供了一个强大的可供参考的服务。用户可以享受到云计算的便捷，同时他不需要懂得任何云计算的知识。关键词：云计算，SAAS，google 应用，grid计算 一简介 云计算，一种新的计算方法，出现了。这个词汇是2007年的第四个季度出现的。它的内涵是随着用户的需求而改变的，也就是说制造商根据用户提出的要求来提供相关的硬件，软件，以及服务。随着互联网的发展，用户的需求被不断满足。实际上云计算是grid计算，d 计算，p计算的一种延伸。它的前景是以互联网为中心，提供准确，快速，便捷的数据存储和网络计算。推动云计算产生和发展的因素主
要有：grid 计算的发展，存储和数据交换新的高质量技术的出现，的出现，特别是虚拟化技术的发展。 云计算的特点是虚拟化，分散化以及迅速的可扩展性。虚拟化是主要特点。许多硬件和软件已经可以支持虚拟化。我们可以虚拟化许多因素，比如IT资源，硬件，软件，操作系统，网络存储，然后在云计算的平台上管理他们。每种环境都和物理平台无关。通过假定的平台进行管理，扩展，融合，备份，所有的操作都在虚拟化的水平完成。分散性是指计算用的物理结点是分散的。迅速的扩展性指的是通过对虚拟水平的快速扩展，达到 then achieves to above applies carries on the expansion the goal.打破了 物理结构的障碍，represents is transforming the physical resources for logic may manage the resources the inevitable trend.未来，所有的资源将在各个物理平台清晰的移动，所有的资源也将以一种逻辑的方式进行管理，将会实现资源的完全自动分配。但是虚拟化只是实现这个愿望的but the virtualization technology realizes this ideal only tool在云计算的观点来看，虚拟化技术的融合和应用需要面对高质量的假定的主引擎，应用，资源等各方面。 二、什么是云计算 A云计算的背景 近十年内，互联网发展迅速。存储介质的成本，电脑以及硬件消耗的电力在不断上涨。数据中心的存储空间已经不能满足我们的需求，原