检索范围:
排序: 展示方式:
混合-增强智能:协作与认知 Review
南宁 郑,子熠 刘,鹏举 任,永强 马,仕韬 陈,思雨 余,建儒 薛,霸东 陈,飞跃 王
《信息与电子工程前沿(英文)》 2017年 第18卷 第2期 页码 153-179 doi: 10.1631/FITEE.1700053
“暗”,不止于“深”——迈向认知智能与类人常识的范式转换 Feature Article
朱毅鑫, 高涛, 范丽凤, 黄思远, Mark Edmonds, 刘航欣, 高枫, 张驰, Siyuan Qi, 吴英年, Joshua B. Tenenbaum, 朱松纯
《工程(英文)》 2020年 第6卷 第3期 页码 310-345 doi: 10.1016/j.eng.2020.01.011
视觉知识:智能创意初探 Perspectives
庄越挺,汤斯亮
《信息与电子工程前沿(英文)》 2021年 第22卷 第5期 页码 615-766 doi: 10.1631/FITEE.2100116
平行认知:面向人机交互与管理的混合智能 Research Article
叶佩军1,王晓1,2,郑文博3,魏庆来1,4,王飞跃1,2,4
《信息与电子工程前沿(英文)》 2022年 第23卷 第12期 页码 1765-1779 doi: 10.1631/FITEE.2100335
关键词: 认知学习;人工智能;行为引导
樊玮,陈增强,袁著祉
《中国工程科学》 2004年 第6卷 第6期 页码 43-49
Agent的BDI模型主要基于Bratman提出的理性主体理论,未能充分体现Agent主动性的认知过程,使Agent的问题求解和心智状态之间的关系未得到充分表达,且难于编程实现。将Das等人提出的计划—注意—同时性加工—继时性加工认知过程模型引入Agent的理论研究中,建立了Agent的PASS-BDI模型,利用多价π-演算从心智状态,认知过程,整体行为等几个方面刻画了该模型的静态和动态特征,并将研究结果应用于多Agent组织中Agent行为特征的刻画。PASS-BDI模型加强了对Agent主动性认知过程的刻画,且易于编程实现。
深度IA双向智能 Personal View
Lei XU
《信息与电子工程前沿(英文)》 2020年 第21卷 第4期 页码 558-562 doi: 10.1631/FITEE.1900541
基于混合强化学习的自动驾驶汽车行人避撞方法 Research Article
李惠乾1,黄晋1,曹重1,杨殿阁1,钟志华2
《信息与电子工程前沿(英文)》 2023年 第24卷 第1期 页码 131-140 doi: 10.1631/FITEE.2200128
关键词: 行人;混合强化学习;自动驾驶汽车;决策
杨炳儒,唐菁
《中国工程科学》 2000年 第2卷 第5期 页码 44-50
文中提出基于模糊语言场和模糊语言结构的知识表示新型框架,并提出能够综合处理模糊不确定性与随机不确定性的广义细胞自动机和广义归纳逻辑因果模型。在此基础上,又提出基于模糊状态描述的新型不确定因果归纳自动推理机制,并讨论其在智能控制器研制中的应用。
人机互信的知识自动化与混合增强智能:复杂系统认知管控机制及其应用 Research Article
王飞跃1,郭剑波2,卜广全3,张俊4
《信息与电子工程前沿(英文)》 2022年 第23卷 第8期 页码 1142-1157 doi: 10.1631/FITEE.2100418
迈向L5级自动驾驶汽车的发展原则 Article
王建强, 黄荷叶, 李克强, 李骏
《工程(英文)》 2021年 第7卷 第9期 页码 1313-1325 doi: 10.1016/j.eng.2020.10.018
自动驾驶汽车的快速发展给现有交通出行方式带来了全新面貌和潜在挑战。目前,L3 级及以下驾驶辅助系统已经量产,L4 级在特定场景下的一些应用也逐步开发,通过逐渐提高车辆的自动化、智能化程度来不断向完全自动驾驶发展。然而,针对L5 级自动驾驶汽车的发展思路始终未明确,而现有针对L0~L4级自动驾驶发展过程的研发方式主要基于任务驱动来进行特定场景下的功能开发,难以揭示高等级自动驾驶汽车所需解决问题的本质逻辑和物理机制本文通过探索高等级自动驾驶系统背后的物理机制,并从驾驶的本质出发,采用推理演绎方式,提出“大脑-小脑-器官”协调平衡框架,基于“乌鸦推理+鹦鹉学舌”的混合模式,探索“自主学习+先验知识”的研究范式,实现自动驾驶汽车“自学习、自适应、自超越”特性。
认知中继三跳网络联合优化 Article
澄 赵,万良 王,信威 姚,双华 杨
《信息与电子工程前沿(英文)》 2017年 第18卷 第2期 页码 253-261 doi: 10.1631/FITEE.1601414
工业4.0中认知维护框架与案例研究 Special Feature on Industrial Internet
Bao-rui Li, Yi Wang, Guo-hong Dai, Ke-sheng Wang,kesheng.wang@ntnu.no
《信息与电子工程前沿(英文)》 2019年 第20卷 第11期 页码 1493-1504 doi: 10.1631/FITEE.1900193
因果推理 Review
况琨, 李廉, 耿直, 徐雷, 张坤, 廖备水, 黄华新, 丁鹏, 苗旺, 蒋智超
《工程(英文)》 2020年 第6卷 第3期 页码 253-263 doi: 10.1016/j.eng.2019.08.016
因果推理是解释性分析的强大建模工具,它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合,开发可解释人工智能(XAI)算法,是迈向人工智能2.0的关键步骤之一。为了将因果推理的知识带给机器学习和人工智能领域的学者,我们邀请从事因果推理的研究人员,从因果推理的不同方面撰写了本综述。本综述包括以下几个部分:况琨博士的“平均因果效应评估——简要回顾与展望”,李廉教授的“反事实推理的归因问题”,耿直教授的&ldquo“形式论辩在因果推理和解释中的作用”,丁鹏教授的“复杂实验中的因果推断”,苗旺教授的“观察性研究中的工具变量和阴性对照方法”,蒋智超博士的“有干扰下的因果推断”。
标题 作者 时间 类型 操作
“暗”,不止于“深”——迈向认知智能与类人常识的范式转换
朱毅鑫, 高涛, 范丽凤, 黄思远, Mark Edmonds, 刘航欣, 高枫, 张驰, Siyuan Qi, 吴英年, Joshua B. Tenenbaum, 朱松纯
期刊论文
“第四届中国认知计算与混合智能学术大会暨混合机器学习与自主系统论坛”在昆明举行
2022年08月18日
会议信息