Hall for Workshop of Metasynthetic Engineering: The Origin, Development Status and Future
-
摘要:
20世纪80年代前后, 国外学术界开始了复杂性与复杂系统的研究. 与此同时, 以钱学森为代表的一批中国学者也开展了与此相关的系统科学和开放的复杂巨系统的研究, 开创性地提出了综合集成法, 进一步发展为综合集成研讨厅体系, 并取得了一些成功应用. 但是由于当时人们对综合集成研讨厅体系的认识不足, 以及技术条件所限, 其应用受到了限制. 随着思维科学/认知科学、系统科学和信息技术、计算机技术、网络通信技术巨大进步, 特别是近年来大数据、云计算、人工智能的飞速发展, 出现了越来越多的复杂巨系统, 亟待有效方法来处理这类问题. 在此背景下, 综合集成研讨厅体系又获得广泛关注. 本文回顾了综合集成研讨厅体系产生和发展的重要历程, 分析了其典型案例, 介绍了国内外的相关研究进展, 最后提出了未来发展的几个方向. 本文力图为从事复杂巨系统研究和实践的相关人员提供理论方法指导和工程范例.
Abstract:Around the 1980s, the international academia began to study complexity and complex systems. At the same time, a group of Chinese scientists represented by Qian Xue-Sen also carried out research on system science and open complex giant systems (OCGSs). They proposed the innovative methodology of metasynthesis, and further developed to hall for workshop of metasynthetic engineering. In early days, although this method had some successful applications, due to people＇ s insufficient understanding of the metasynthesis and the limitation of technical condition, metasynthesis was not widely used. In recent years, with the tremendous progress of noetic science/cognitive science, system science and information technology, computing technology, and network communication technology, especially the rapid development of big data, cloud computing, and artificial intelligence, more and more OCGSs have appeared and urgently need effective methods to process. In this context, metasynthesis has re-gained widespread attention. This article reviews the history of the generation and development of metasynthesis, analyzes typical cases of this method, introduces related research progress, and finally, proposes several future development directions. This article strives to provide theoretical guidance and engineering examples for those involved in the research and practice of OCGSs.
-
主通风机切换过程(Main fan switchover process, MFSP)被广泛用来保证矿井的持续安全生产[1]. 矿井必须配有成对的主通风机, 采用轮流运行的工作模式. 其中, 运行的一台叫工作主通风机, 另一台叫备用主通风机. 井下供给风量作为主通风机切换过程的关键运行指标, 对井下作业影响很大, 因此有必要对其进行实时监测, 保证主通风机切换过程的平稳运行以提供充足的井下供给风量. 然而, 由于恶劣的井下工作环境, 取压孔容易出现堵塞现象, 导致无法实时准确地监测井下供给风量状态. 另外, 堵塞的取压孔必须等到大周期(一般半年或一年一次) 的主通风机检修才能进行取压孔的清理. 因此有必要建立井下供给风量的准确可靠性模型, 为矿井值守人员提供井下工作状况和供给风量信息.
目前井下供给风量模型主要分为两大类: 机理模型和数据驱动模型. 主通风机切换过程涉及到两大动力源的过渡, 涉及到
$ {4} $ 个风门的切换, 涉及到井下供给风流的控制等. 因此, 井下供给风量机理模型包括: 主通风机模型可用其特性曲线来表示[2]; 对于风门支路, 首先通过数据拟合方法建立风门风阻与风门开度之间的非线性关系, 再采用定常[3-4]或非定常[5-6]不可压缩Navier-Stokes方程来建模; 对于地下矿井, 由于复杂多变的井下工作环境和错综复杂的网络布局以及频繁变化的设备状态, 难以建立模型. 通常首先将其近似为一个长度确定的风流支路, 再采用类似于风门支路的建模方法来建模. 井下供给风量模型是由上述主要结构的子模型组成, 通过基尔霍夫风压和风流定律来建立. 然而, 由于机理模型一般是基于一定的理论假设而建立的, 如地下矿井的近似化处理, 实际主通风机切换过程要远远复杂于机理模型, 因此机理模型在实际主通风机切换过程中往往难以应用. 数据驱动的井下供给风量建模方法, 不需要掌握切换过程的复杂变化, 仅利用数据就可以建立井下供给风量的估计模型, 因此数据驱动井下供给风量建模是目前主通风机切换过程建模研究的热点. 如, 文献[7]利用静态工况下的井下供给风量和风门分支风门风阻的数据, 建立了基于RBF神经网络的井下供给风量模型.近年, 由于具有极快的学习速度, 且能有效地解决传统神经网络收敛速度慢、易陷入局部极小的问题, 增量式随机权网络(Incremental random weight network, IRWN)已被广泛用于复杂工业过程的建模[8-10]. IRWN本质上是一种采用构造算法得到的单隐层前馈神经网络(Single layer feedforward neural network, SLFNN), 比传统神经网络具有更简单的结构和更高的计算效率[11]. 针对IRWN收敛性问题, 文献[12]通过对一类IRWN进行理论分析和仿真研究, 得出一个结论: IRWN的万能逼近能力只有在一定的约束条件下才能得到保证. 因此, 寻找保证IRWN收敛性的约束条件是建立IRWN的关键. 如, 文献[13]提出了一种基于不等式约束条件的随机配置网络(Stochastic configuration network, SCN), 其不仅具有万能逼近能力, 而且具有较快的学习速度. 与标准IRWN相比, SCN算法具有较快的学习速度和较高的模型精度, 但是SCN算法依然存在如下的问题:
问题. 随着隐含层节点数目的增加, SCN算法可能存在过拟合和泛化性能差的问题. 由于隐含层节点的增加, 使得模型学习时结构较复杂, 致使模型对已知训练数据表现较好, 而对未知数据具有较差的测试效果, 造成过拟合的问题. 由于过拟合的存在, 使得模型鲁棒性不足、泛化能力差, 难以实际应用.
另外, PLC控制系统已广泛应用于主通风机切换过程[14]. 由于受PLC存储空间、运行效率等的限制, 需要建立一个先进的小尺寸网络来减轻计算和存储压力. 因此有必要建立高质量、小尺寸的井下供给风量估计模型.
针对上述问题, 在SCN算法的基础上, 结合正则化(Regularization, R)技术, 本文提出一种新型的改进SCN算法, 即RSC算法. 该算法包含两个版本: RSC-I和RSC-II. 两个版本的算法在相同的不等式约束条件下随机分配隐性参数, 但采用不同的方式计算输出权重. RSC-I算法通过求解局部正则化最小二乘问题来确定输出权重, 而RSC-II算法采用全局正则化最小二乘法计算输出权重. 基准回归分析和工业实验表明: 相比SCN算法, 本文方法不仅具有较高的建模精度和较好的泛化能力, 而且还减轻了PLC存储和计算的压力.
1. 主通风机切换过程与特性分析
1.1 主通风机切换过程及井下供给风量建模的必要性
主通风机切换过程如图1所示, 由两大动力源的过渡、4个风门的切换2部分组成. 假设当前工作主通风机为一号主通风机, 备用主通风机为二号主通风机, 那么一号主通风机、完全关闭的一号水平风门与二号垂直风门、完全打开的一号垂直风门和地下矿井共同构成一个典型的矿井通风系统. 主通风机切换过程就是切断一号主通风机与地下矿井的连接, 同时建立二号主通风机与地下矿井的连接. 矿井通常采用的主通风机切换过程可描述如下: 首先, 启动二号主通风机, 再打开二号垂直风门和一号水平风门; 同时, 关闭二号水平风门和一号垂直风门; 最后, 直到4个风门完全到位后, 才关闭一号主通风机.
主通风机切换时, 井下供给风量是由两台主通风机共同提供的, 同时又受井下工作环境的影响, 对实现主通风机切换过程闭环优化控制起着重要作用. 井下供给风量不仅是表征能耗水平和运行状况的重要指标, 而且决定地下矿井工作环境质量、采煤效率和矿井安全生产. 目前, 国内外对主通风机切换过程闭环控制和运行优化的研究较少[15-17], 并且这些研究成果严重依赖井下供给风量的实时测量. 但是在实际应用中, 由于井下供给风流含有成分复杂的气、液、固三相混合杂质, 致使取压孔容易发生堵塞, 造成风量测量装置的测量效果不理想. 因此, 对井下供给风量进行有效估计, 不仅能为矿井值守人员提供信息来判断主通风机切换过程运行状态和井下工作状况, 而且有益于实现井下供给风量的控制和运行优化.
1.2 建模复杂性及特性分析
主通风机切换过程是一个极其复杂的过程. 其中, 包含气、液、固三相混合杂质的井下供给风流耦合交错, 同时井下工作环境极其恶劣; 地下矿井局部通风机的启停和井下控制气流的风门状态以及作业人员的变动, 运行工况不稳定; 各类采矿活动(回采工作面、电池和燃料充电站、矿石破碎站等)中, 污染物产生的速度及其质量的变化, 运行工况动态时变. 这些导致了难以建立准确可靠的主通风机切换过程模型.
表1列出了主通风机切换过程的相关变量. 从图1可知, 影响井下供给风量指标的关键过程变量为:
$ H_{\rm 1d} $ 、$ H_{\rm 2d} $ 、$ R_{\rm 1c} $ 、$ R_{\rm 1s} $ 、$ R_{\rm 2c} $ 、$ R_{\rm 2s} $ 、$R_{0}$ . 下面对上述7个变量进行具体地分析.表 1 主通风机切换过程相关变量Table 1 Related variables in the MFSP变量 符号 单位 井下供给风量 $Q_{\rm 0}$ ${\rm m^3/s}$ 井下风阻 $R_{\rm 0}$ ${\rm kg/m^7}$ 一号垂直风门风量 $Q_{\rm 1c}$ ${\rm m^3/s}$ 一号垂直风门风阻 $R_{\rm 1c}$ ${ \rm kg/m^7}$ 一号水平风门风量 $Q_{\rm 1s}$ ${\rm m^3/s}$ 一号水平风门风阻 $R_{\rm 1s}$ ${\rm kg/m^7}$ 一号主通风机风量 $Q_{\rm 1m}$ ${\rm m^3/s}$ 一号主通风机压头 $H_{\rm 1d}$ ${\rm Pa}$ 二号垂直风门风量 $Q_{\rm 2c}$ ${\rm m^3/s}$ 二号垂直风门风阻 $R_{\rm 2c}$ ${\rm kg/m^7}$ 二号水平风门风量 $Q_{\rm 2s}$ ${\rm m^3/s}$ 二号水平风门风阻 $R_{\rm 2s}$ ${\rm kg/m^7}$ 二号主通风机风量 $Q_{\rm 2m}$ ${\rm m^3/s}$ 二号主通风机压头 $H_{\rm 2d}$ ${\rm Pa}$ 1)一号主通风机压头
$ H_{\rm 1d} $ 和二号主通风机压头$ H_{\rm 2d} $ 对井下供给风量$ Q_{\rm 0} $ 的影响对于主通风机, 在额定转速下, 其风压
$ H_{\rm f} $ 可描述为主通风机风量$ Q_{\rm f} $ 的函数. 根据该主通风机特性曲线[18], 一般将这个函数描述为如下二次多项式:$$ H_{\rm f} = a_2Q_{\rm f}^2+a_1Q_{\rm f}+a_0 $$ (1) 式中,
$ a_0, $ $ a_1 $ 和$ a_2 $ 为待定常数, 根据风机特性曲线进行确定.根据风机定律[19], 转速
$ N $ 所对应的主通风机风压$ H $ 可以写成:$$ H = a_2Q^2+a_1Q\left(\frac{N}{N_{\rm f}}\right)+a_0\left(\frac{N}{N_{\rm f}}\right)^2 $$ (2) 式中,
$ N_{\rm f} $ 为额定转速,$ Q $ 为转速$ N $ 所对应的主通风机风量.从式(2)可知, 当转速已知时, 通过主通风机风压可以得到对应的主通风机风量. 因此, 对于转速可测的两台主通风机, 可得:
$$ Q_{\rm 1m} = f_1(H_{\rm 1d}),\ Q_{\rm 2m} = f_2(H_{\rm 2d}) $$ (3) 式中,
$ f_1(\cdot) $ 和$ f_2(\cdot) $ 为确定的非线性函数.$$ Q_{\rm 1m} = Q_{\rm 1c}+Q_{\rm 1s} $$ (4) $$ Q_{\rm 2m} = Q_{\rm 2c}+Q_{\rm 2s} $$ (5) $$ Q_0 = Q_{\rm 1c}+Q_{\rm 2c} $$ (6) 由式(3), (4)和式(5)可知,
$ H_{\rm 1d} $ 的变化会引起$ Q_{\rm 1c} $ 的变化; 同时当$ H_{\rm 2d} $ 发生变化时,$ Q_{\rm 2c} $ 也将随之发生改变. 另外, 由式(6)可知,$ Q_0 $ 是由$ Q_{\rm 1c} $ 和$ Q_{\rm 2c} $ 共同决定的. 因此,$ H_{\rm 1d} $ 和$ H_{\rm 2d} $ 对井下供给风量$ Q_0 $ 产生重要影响.2)风门支路风门风阻
$ R_{\rm 1c} $ ,$ R_{\rm 1s} $ ,$ R_{\rm 2c} $ 和$ R_{\rm 2s} $ 对井下供给风量$ Q_{\rm 0} $ 的影响由Darcy-Weisbach方程可知, 风道压降与通过风道的风量之间的函数关系是非线性的[2]. 根据文献[21-22], 可将这个函数关系写成:
$$ H_{i{\rm c}} = R_{i{\rm c}}Q^2_{i{\rm c}},\ H_{i{\rm s}} = R_{i{\rm s}}Q^2_{i{\rm s}},\ i = 1,2 $$ (7) 式中,
$ H_{i{\rm c}} $ 和$ H_{i{\rm s}} $ 分别为主通风机垂直风门和水平风门压降,$ i $ 为主通风机.由于
$ H_{i{\rm c}} $ 和$ H_{i{\rm s}} $ 可看作$ i $ 号主通风机的负载, 因此它们是由$ H_{i{ \rm d}} $ 提供的. 另外, 由式(7)可知, 风量和风阻之间呈现非线性关系. 那么上式可写成:$$ \begin{split} & Q_{\rm 1s} = \eta(R_{\rm 1s},H_{\rm 1d}),\ Q_{\rm 1c} = \eta(R_{\rm 1c},H_{\rm 1d})\\&Q_{\rm 2s} = \eta(R_{\rm 2s},H_{\rm 2d}) ,\ Q_{\rm 2c} = \eta(R_{\rm 2c},H_{\rm 2d})\end{split} $$ (8) 式中,
$ \eta(\cdot) $ 为非线性函数.由式(4), (5)和式(8)可知, 风门风阻
$ R_{\rm 1s} $ ,$ R_{\rm 1c} $ ,$ R_{\rm 2c} $ 和$ R_{\rm 2s} $ 是影响风量$ Q_{\rm 1s} $ ,$ Q_{\rm 1c} $ ,$ Q_{\rm 2c} $ 和$ Q_{\rm 2s} $ 的重要因素. 再结合式(6)可知, 上述风阻是影响井下供给风量$ Q_0 $ 的关键过程变量.3)井下风阻
$ R_{\rm 0} $ 对井下供给风量$ Q_{\rm 0} $ 的影响对于地下矿井, 压降
$ H_0 $ 与风阻$ R_0 $ 之间呈现出明显的非线性特征. 用公式描述为:$$ H_0 = R_0Q^2_0 $$ (9) $ H_0 $ 可视为两台主通风机的负载, 其数值由$ H_{\rm 1d} $ 和$ H_{\rm 2d} $ 共同决定. 主通风机切换过程中,$ R_0 $ 是不需要进行调节的, 但会受到一些因素的影响. 例如, 井下工作人员的变动, 井下控制气流的风门状态, 井下作业状况等. 上述这些因素都会引起$ R_0 $ 的变化. 根据式(9)可知,$ R_0 $ 的变化会引起井下供给风量$ Q_0 $ 的改变.综上所述, 将主通风机压头
$ H_{\rm 1d} $ 和$ H_{\rm 2d} $ 、风门风阻$ R_{\rm 1s} $ ,$ R_{\rm 1c} $ ,$ R_{\rm 2c} $ 和$ R_{\rm 2s} $ 、井下风阻$ R_0 $ 作为建模输入变量, 就可以实现井下供给风量$ Q_0 $ 的估计. 这个非线性映射可描述为:$$ {Q_0} = \varphi(H_{\rm 1d},H_{\rm 2d},R_{\rm 1s},R_{\rm 1c},R_{\rm 2c},R_{\rm 2s},R_{\rm 0}) $$ (10) 式中,
$ \varphi(\cdot) $ 为未知的非线性函数.2. 相关算法
2.1 随机配置网络
SCN开始于一个小尺寸的SLFNN, 首先在一个不等式约束条件下, 逐个选取隐含层节点, 同时自适应地选择隐性参数的范围; 然后, 利用全局最小二乘法确定当前网络的输出权重; 最后, 直到达到设定的最大隐含层节点数目或期望的网络精度时结束隐含层节点的增加.
令
${\boldsymbol{ \Gamma}}: = \{{\boldsymbol{g}}_1,\ {\boldsymbol{g}}_2,\ {\boldsymbol g}_3,\cdots\}$ 表示一组实值函数, span($ {\boldsymbol{ \Gamma}} $ )表示$ {\boldsymbol{ \Gamma}} $ 张成的函数空间; 令$ L_2(D) $ 表示定义在$D\subset{{\bf{R}}}^d$ 上的所有勒贝格可测函数${\boldsymbol{f}} = [{\boldsymbol{f}}_1, {\boldsymbol{f}}_2, \cdots,$ ${\boldsymbol{f}}_m]:{\bf{R}}^d\rightarrow{\bf{R}}^m$ 的空间.给定一个目标函数
${\boldsymbol{f}}:{\bf{R}}^d\rightarrow{\bf{R}}^m$ , 假设存在一个建立好的带有$ L-1 $ 个隐含层节点的SLFNN, 那么SLFNN的输出可表示为:$$ {\boldsymbol{f}}_{L-1}({\boldsymbol{x}}) = \sum\limits_{j = 1}^{L-1}{\boldsymbol{\beta}}_j{\boldsymbol{g}}_j({\boldsymbol{w}}_j^{{\rm T}}{\boldsymbol{x}}+b_j),\;{\boldsymbol{f}}_0 = 0 $$ (11) 式中,
$ L = 1,2,\cdots, $ $ {\boldsymbol{w}}_j $ 和$ b_j $ 分别为第$ j $ 个隐含层节点的输入权值和偏置,$ {\boldsymbol{\beta}}_j = [\beta_{j1},\beta_{j2},\cdots,\beta_{jm}]^{{\rm T}} $ 为连接第$ j $ 个隐含层节点与输出层节点的输出权值,$ {\boldsymbol{g}}_j $ 为第$ j $ 个隐含层节点的激活函数.根据式(11), 可以得到当前网络残差
$ {\boldsymbol{e}}_{L-1} $ :$$ {\boldsymbol{e}}_{L-1} = {\boldsymbol{f}}-{\boldsymbol{f}}_{L-1} = [{\boldsymbol{e}}_{L-1,1},{\boldsymbol{e}}_{L-1,2},\cdots,{\boldsymbol{e}}_{L-1,m}] $$ (12) SCN算法构造一个不等式约束条件来增加第
$ L $ 个隐含层节点, 其不等式约束的形式如下:$$ \langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2\geq b_g^2\delta_{L,q},\ q = 1,2,\cdots,m $$ (13) 式中,
$ \forall {\boldsymbol{g}} \in {\boldsymbol{ \Gamma}}, $ $b_g \in \bf{R}^+,$ 使得$ 0<||{\boldsymbol{g}}||<b_g $ 成立,$ \delta_{L} $ 的形式为:$$ \delta_L = \displaystyle\sum\limits_{q = 1}^{m}\delta_{L,q},\ \delta_{L,q} = (1-r-u_L)||{\boldsymbol{e}}_{L-1,q}||^2 $$ (14) 式中,
$ 0<r<1 $ ,$ {u_L} $ 满足$ \lim_{L\rightarrow+\infty}u_L = 0 $ 和$0 < $ $ u_L\leq$ $(1-r). $ SCN中表现最好的SCN-III算法采用全局最小二乘法来计算输出权重:
$$ [{\boldsymbol{\beta}}_1^{\star},{\boldsymbol{\beta}}_2^{\star},\cdots,{\boldsymbol{\beta}}_L^{\star}] = \arg \min ||{\boldsymbol{f}}-\sum\limits_{j = 1}^{L}{\boldsymbol{\beta}}_j{\boldsymbol{g}}_j|| $$ (15) SCN中表现最好的SCN-III算法采用上述方式进行隐含层节点的逐个增加, 直到满足设定的条件.
2.2 正则化随机权神经网络
与标准随机权神经网络(Random vector functional-link networks, RVFLNs)相比, 正则化RVFLNs不仅能有效避免过拟合问题, 而且能通过减小输出权重来降低模型复杂性.
对于给定的神经网络训练样本
$ ({\boldsymbol{x}}_i,{\boldsymbol{t}}_i)^N_{i = 1}, $ 正则化RVFLNs的目标代价函数为:$$ \begin{split} &\min: J = \frac{1}{2}||{\boldsymbol{\beta}}||_2^2+\frac{C}{2}\sum\limits_{i = 1}^{N}{\boldsymbol{\epsilon}}_i^2\\ &{{\rm{s.t}}.:h({\boldsymbol{x}}_i){\boldsymbol{\beta}} = {\boldsymbol{t}}_i-{\boldsymbol{\epsilon}}_i, \forall i } \end{split}$$ (16) 式中,
$ {\boldsymbol{\epsilon}}_i $ 为网络残差,$ C $ 为正则化系数.通过正则化最小二乘法直接计算输出权重
$ {\boldsymbol{\beta}} $ , 具体结果如下:$$ {\boldsymbol{\beta}} = \left\{ {\begin{aligned} &{\left({\boldsymbol{H}}^{{\rm T}}{\boldsymbol{H}}+\frac{{\boldsymbol{I}}}{C}\right)^{{-1}}{\boldsymbol{H}}^{{\rm T}}{\boldsymbol{Y}}},&{{N \geq L}}\\ &{{\boldsymbol{H}}^{{\rm T}}\left({\boldsymbol{H}}^{{\rm T}}{\boldsymbol{H}}+\frac{{\boldsymbol{I}}}{C}\right)^{{-1}}{\boldsymbol{Y}}},&{{N < L}} \end{aligned}} \right.$$ (17) 式中,
$ {\boldsymbol{H}} = [{\boldsymbol{g}}_1,{\boldsymbol{g}}_2,\cdots,{\boldsymbol{g}}_L], \; {\boldsymbol{Y}} = [{\boldsymbol{t}}_1,{\boldsymbol{t}}_2,\cdots,{\boldsymbol{t}}_N]^{{\rm T}} $ .3. RSC算法
3.1 RSC算法的收敛性分析和证明
给定神经网络训练样本
$ ({\boldsymbol{x}},{\boldsymbol{t}}) $ , 其中,${\boldsymbol{x}} = \{{\boldsymbol{x}}_1, $ ${\boldsymbol{x}}_2,\cdots,{\boldsymbol{x}}_N\},\ {\boldsymbol{x}}_i = [x_{i,1},x_{i,2},\cdots,x_{i,d}]^{{\rm T}}\in {\bf{R}}^d,$ ${\boldsymbol{t}} = \{{\boldsymbol{t}}_1,$ ${\boldsymbol{t}}_2,\cdots,{\boldsymbol{t}}_N\},\ {\boldsymbol{t}}_i = [t_{i,1},t_{i,2},\cdots,t_{i,m}]^{{\rm T}}\in {\bf{R}}^m,$ 假设已经搭建一个带有$ L-1 $ 个隐含层节点的SLFNN, 那么可以得到当前网络的输出权重:$$ {\boldsymbol{\beta}} = [{\boldsymbol{\beta}}_1,{\boldsymbol{\beta}}_2,\cdots,{\boldsymbol{\beta}}_{L-1}] $$ (18) 接下来, 需要构造一个方案来分配隐性参数, 并计算输出权重
$ {\boldsymbol{\beta}}_L $ , 使得建立的带有$ L $ 个隐含层节点的SLFNN具有更高的模型精度. 因此, 引入如下目标代价函数:$$ \begin{split} f({\boldsymbol{\beta}}_L) =\;& \frac{1}{2}\left[ \begin{array}{cc} {\boldsymbol{\beta}} {\boldsymbol{\beta}}_L \\ \end{array} \right]\left[ \begin{array}{c} {\boldsymbol{\beta}} \\ {\boldsymbol{\beta}}_L \\ \end{array} \right]+\frac{C}{2}||{\boldsymbol{e}}_L||^2=\\ & \frac{1}{2}||{\boldsymbol{\beta}}||_2^2+\frac{1}{2}||{\boldsymbol{\beta}}_{L}||_2^2+\frac{C}{2}||{\boldsymbol{e}}_L||^2 \end{split} $$ (19) 将式(19)两边同时对
$ {\boldsymbol{\beta}}_L $ 求导, 再结合${\boldsymbol{e}}_L = $ $ {\boldsymbol{e}}_{L-1}-{\boldsymbol{\beta}}_L{\boldsymbol{g}}_L, $ 可得:$$\begin{split} \frac{\partial{}f({\boldsymbol{\beta}}_L)}{\partial{}{\boldsymbol{\beta}}_L} =\;& {\boldsymbol{\beta}}_L-C({\boldsymbol{e}}_{L-1}-{\boldsymbol{\beta}}_L{\boldsymbol{g}}_L){\boldsymbol{g}}_L=\\ & {\boldsymbol{\beta}}_L-C\langle {\boldsymbol{e}}_{L-1},{\boldsymbol{g}}_L\rangle+C{\boldsymbol{\beta}}_L{\boldsymbol{g}}_L^2 \end{split} $$ (20) 令式(20)等于0, 可得:
$$ {\boldsymbol{\beta}}_L = \frac{\langle {\boldsymbol{e}}_{L-1},{\boldsymbol{g}}_L\rangle}{||{\boldsymbol{g}}_L||^2+\frac{1}{C}} $$ (21) 定理 1. 假设span
$ ({\boldsymbol{ \Gamma}}) $ 在$ L_2 $ 空间中稠密, 且$ \forall {\boldsymbol{g}} \in {\boldsymbol{ \Gamma}}, $ $ 0<||{\boldsymbol{g}}||<b_g, $ 其中,$ b_g \in \bf{R}^+. $ 对于一个给定的正实数$ C $ , 记$ \varepsilon = \dfrac{||b_g||^2}{\Big(||b_g||^2+\dfrac{1}{C}\Big)^2/\Big(||b_g||^2+\dfrac{2}{C}\Big)}. $ 给定$ 1-\varepsilon<r<1 $ , 一个非负实数序列$ {u_L} $ 满足$ 1- $ $\varepsilon-r\;\leq\; u_L\;\leq\;(1-r).$ 对于$ \!L = 1,2,\cdots $ 和$q = 1, $ $ 2,\cdots,$ $m $ , 做出如下定义:$$ \delta_L = \sum\limits_{q = 1}^{m}\delta_{L,q},\ \delta_{L,q} = (1-r-u_L)||{\boldsymbol{e}}_{L-1,q}||^2 $$ (22) $$ \xi = \mathop {\lim }\limits_{L \to \infty } {(1 - \varepsilon )^L} < 1 \hspace{93pt}$$ (23) $$ \gamma = \mathop {\lim }\limits_{L \to \infty } \prod\limits_{k = 1}^L {(r + {u_k})} < 1 \hspace{77pt}$$ (24) 若生成的随机基函数
$ {\boldsymbol{g}}_L $ 使得下式成立:$$ \langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2\geq \left(b_g^2+\frac{1}{C}\right)^2/\left(b_g^2+\frac{2}{C}\right)\delta_{L,q} $$ (25) 输出权重
$ \beta_{L,q} $ 由如下公式获取:$$ \beta_{L,q} = \frac{\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle}{||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}} $$ (26) 那么,
$ \sqrt{\xi}||{\boldsymbol{f}}||\leq\lim_{L\rightarrow+\infty}||{\boldsymbol{f}}-{\boldsymbol{f}}_L||\leq\sqrt{\gamma}||{\boldsymbol{f}}||, $ 其中,${\boldsymbol{f}}_L = \displaystyle\sum\nolimits_{j = 1}^{L}{\boldsymbol{\beta}}_j^{}{\boldsymbol{g}}_j,$ $ {\boldsymbol{\beta}}_j^{} = [\beta_{j,1}^{},\beta_{j,2}^{},\cdots,\beta_{j,m}^{}]^{{\rm T}} $ .证明. 由式(26)可得:
$$ \begin{split} ||{\boldsymbol{e}}_L||^2&-||{\boldsymbol{e}}_{L-1}||^2=\\ & \sum\limits_{q = 1}^{m}(\langle {\boldsymbol{e}}_{L-1,q}-\beta_{L,q}{\boldsymbol{g}}_L,{\boldsymbol{e}}_{L-1,q}-\beta_{L,q}{\boldsymbol{g}}_L\rangle -\\ &\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{e}}_{L-1,q}\rangle)=\\ & \sum\limits_{q = 1}^{m}(-2\langle {\boldsymbol{e}}_{L-1,q},\beta_{L,q}{\boldsymbol{g}}_L\rangle\!+\!\langle \beta_{L,q}{\boldsymbol{g}}_L,\beta_{L,q}{\boldsymbol{g}}_L\rangle)=\!\\ & -\sum\limits_{q = 1}^{m}(\langle \beta_{L,q}{\boldsymbol{g}}_L,\beta_{L,q}{\boldsymbol{g}}_L\rangle+\frac{2}{C}\langle \beta_{L,q},\beta_{L,q}\rangle) \\[-15pt] \end{split}$$ (27) 整理式(27)得到:
$$ \begin{split} ||{\boldsymbol{e}}_{L-1}||^2&-||{\boldsymbol{e}}_{L}||^2 =\\ &\frac{\displaystyle\sum\nolimits_{q = 1}^{m}\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2/\left(||{\boldsymbol{g}}_L||^2+\dfrac{2}{C}\right)}\leq\\& \frac{||{\boldsymbol{e}}_{L-1}||^2||{\boldsymbol{g}}_{L}||^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2/\left(||{\boldsymbol{g}}_L||^2+\dfrac{2}{C}\right)} \leq\\&\frac{||{\boldsymbol{e}}_{L-1}||^2||b_g||^2}{\left(||b_g||^2+\frac{1}{C}\right)^2/\left(||b_g||^2+\dfrac{2}{C}\right)}=\\ & \varepsilon||{\boldsymbol{e}}_{L-1}||^2,\ 0<\varepsilon<1 \end{split} $$ (28) 上式可写成:
$$ (1-\varepsilon)||{\boldsymbol{e}}_{L-1}||^2\leq||{\boldsymbol{e}}_{L}||^2 $$ (29) 根据式(22), (25)和式(26)可得:
$$ \begin{split} ||{\boldsymbol{e}}_L||^2&- (r+u_L)||{\boldsymbol{e}}_{L-1}||^2=\\ & \sum\limits_{q = 1}^{m}(\langle {\boldsymbol{e}}_{L-1,q}-\beta_{L,q}{\boldsymbol{g}}_L,{\boldsymbol{e}}_{L-1,q}-\beta_{L,q}{\boldsymbol{g}}_L\rangle -\\ &(r+u_L)\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{e}}_{L-1,q}\rangle)=\\ & \sum\limits_{q = 1}^{m}((1-r-u_L)\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{e}}_{L-1,q}\rangle-\\ & 2\langle {\boldsymbol{e}}_{L-1,q},\beta_{L,q}{\boldsymbol{g}}_L\rangle+\langle \beta_{L,q}{\boldsymbol{g}}_L,\beta_{L,q}{\boldsymbol{g}}_L\rangle)=\\ & (1-r-u_L)||{\boldsymbol{e}}_{L-1}||^2+\sum\limits_{q = 1}^{m}\left(\frac{-2\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2}{||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}}+\right.\\ &\left.\frac{\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2||{\boldsymbol{g}}_L||^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2}\right) \\[-15pt]\end{split}$$ (30) 式(30)可写成:
$$ \begin{split} ||{\boldsymbol{e}}_L||^2-\;&(r+u_L)||{\boldsymbol{e}}_{L-1}||^2=\\& (1-r-u_L)||{\boldsymbol{e}}_{L-1}||^2-\\& \frac{\displaystyle\sum\nolimits_{q = 1}^{m}\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2/\left(||{\boldsymbol{g}}_L||^2+\dfrac{2}{C}\right)}\leq\\& \delta_L-\frac{\displaystyle\sum\nolimits_{q = 1}^{m}\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle^2}{\left(b_g^2+\dfrac{1}{C}\right)^2/\left(b_g^2+\dfrac{2}{C}\right)}\leq0 \end{split}$$ (31) 由式(31)可得:
$$ ||{\boldsymbol{e}}_L||^2\leq (r+u_L)||{\boldsymbol{e}}_{L-1}||^2 $$ (32) 结合式(29)和式(32) 可得:
$$ (1-\varepsilon)^L||{\boldsymbol{e}}_{0}||^2\leq||{\boldsymbol{e}}_L||^2\leq \prod\limits_{k = 1}^{L}(r+u_k)||{\boldsymbol{e}}_{0}||^2 $$ (33) 由式(23), (24)和式(33)可得
$ \xi||{\boldsymbol{f}}||^2\leq $ $\lim_{L\rightarrow\infty}||{\boldsymbol{e}}_L||^2\leq\gamma||{\boldsymbol{f}}||^2.$ 因此可得$\sqrt{\xi}||{\boldsymbol{f}}||\leq $ $ \lim_{L\rightarrow\infty}||{\boldsymbol{e}}_L||\leq\sqrt{\gamma}||{\boldsymbol{f}}||. $ □注 1. 从式(19)可知, 正则化系数
$ C $ 起到平衡$ ||{\boldsymbol{\beta}}_{L}||_2^2 $ 和$ ||{\boldsymbol{e}}_{L}||_2^2 $ 的作用, 在保证模型精度的同时, 降低了复杂度, 因此需要对其进行适当选择. 本文通过简单的一维搜索程序来确定合适的正则化系数$ C $ . 从定理$ 1 $ 可知, 对于给定合适的$ C $ , RSC算法不仅保留了SCN算法收敛速度快的优点, 而且能有效地克服过拟合问题.从定理
$ 1 $ 可知,$ {\boldsymbol{\beta}}_L = [\beta_{L,1},\beta_{L,2},\cdots,\beta_{L,m}]^{{\rm T}} $ 是通过计算${\beta}_{L,q} = {\langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle}/({||{\boldsymbol{g}}_L||^2+\dfrac{1}{C})}$ 而得到的, 并且在增加下一个隐含层节点时保持不变. 但是, 这种构造方法会导致RSC算法收敛速度变慢. 因此, 本文给出输出权重的重新计算方法. 具体过程是首先根据式(25) 确定${\boldsymbol{g}}_j\;(j = 1,2,\cdots,L),$ 再采用全局正则化最小二乘法计算输出权重$ {\boldsymbol{\beta}}_1, $ $ {\boldsymbol{\beta}}_2,\cdots, $ $ {\boldsymbol{\beta}}_L $ . 令$[{\boldsymbol{\beta}}_{1}^\star, $ ${\boldsymbol{\beta}}_{2}^\star,\cdots,{\boldsymbol{\beta}}_{L}^\star] \!=\! \arg \min_{{\boldsymbol{\beta}}} \dfrac{C}{2}\left\|{\boldsymbol{f}}-\!\displaystyle\sum\nolimits_{j = 1}^{L}\!{\boldsymbol{\beta}}_j{\boldsymbol{g}}_j\right\|^2\!+ $ $ \dfrac{1}{2}||{\boldsymbol{\beta}}||_2^2$ ,${\boldsymbol{e}}_L^\star = {\boldsymbol{f}}\!-\!\displaystyle\sum\nolimits_{j = 1}^{L}{\boldsymbol{\beta}}_j^\star {\boldsymbol{g}}_j = [{\boldsymbol{e}}_{L,1}^\star,{\boldsymbol{e}}_{L,2}^\star,\cdots, {\boldsymbol{e}}_{L,m}^\star].$ 定义中间变量$\widetilde{\beta}_{L,q} = \langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle/\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)$ ,$\widetilde{{\boldsymbol{e}}}_L \!=\! {\boldsymbol{e}}_{L-1}^\star-$ $ \widetilde{{\boldsymbol{\beta}}}_L{\boldsymbol{g}}_L, $ 其中,$q \!=\! 1,2,\cdots,m,$ $\widetilde{{\boldsymbol{\beta_L}}} = [\widetilde{\beta}_{L,1}, $ $ \widetilde{\beta}_{L,2},\cdots,$ $\widetilde{\beta}_{L,m}]^{{\rm T}} $ ,$ {\boldsymbol{e}}_0^\star = {\boldsymbol{f}}. $ 定理 2. 假设span
$ ({\boldsymbol{ \Gamma}}) $ 在$ L_2 $ 空间中稠密, 且$ \forall {\boldsymbol{g}} \in {\boldsymbol{ \Gamma}}, $ $ 0<||{\boldsymbol{g}}||<b_g, $ 其中,$b_g \in \bf{R}^+.$ 对于一个给定的正实数$ C $ , 存在一个足够小的正实数$\varepsilon (C).$ 给定$ 1-\varepsilon<r<1 $ , 一个非负实数序列$ {u_L} $ 满足$1- $ $\varepsilon-r\;\leq \;u_L\;\leq\;(1-r).$ 对于$ L = 1,2,\cdots $ 和$q = 1, $ $ 2,\cdots,$ $m $ , 做出如下定义:$$ \delta_L^\star = \sum\limits_{q = 1}^{m}\delta_{L,q}^\star,\ \delta_{L,q}^\star = (1-r-u_L)||{\boldsymbol{e}}_{L-1,q}^\star||^2 $$ (34) $$ \xi = \mathop {\lim }\limits_{L \to \infty } {(1 - \varepsilon )^L} < 1 \hspace{17pt}$$ (35) $$ \gamma = \mathop {\lim }\limits_{L \to \infty } \prod\limits_{k = 1}^L {(r + {u_k})} < 1 $$ (36) 若生成的随机基函数
$ {\boldsymbol{g}}_L $ 满足下式:$$ \langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2\geq\dfrac{ \left(b_g^2+\dfrac{1}{C}\right)^2}{\left(b_g^2+\dfrac{2}{C}\right)}\delta_{L,q}^\star $$ (37) 输出权重
$ \beta_{L,q} $ 由如下公式计算:$$ \begin{split} [{\boldsymbol{\beta}}_{1}^\star,{\boldsymbol{\beta}}_{2}^\star,\cdots,{\boldsymbol{\beta}}_{L}^\star] =\;& \arg \mathop {\min }\limits_{\boldsymbol{\beta }} \frac{C}{2}\left\|{\boldsymbol{f}}-\sum\limits_{j = 1}^{L}{\boldsymbol{\beta}}_j{\boldsymbol{g}}_j\right\|^2+\\ &\frac{1}{2}||{\boldsymbol{\beta}}||_2^2 \\[-15pt]\end{split}$$ (38) 那么,
$ \sqrt{\xi}||{\boldsymbol{f}}||\leq\lim_{L\rightarrow+\infty}||{\boldsymbol{f}}-{\boldsymbol{f}}_L^\star||\leq\sqrt{\gamma}||{\boldsymbol{f}}||, $ 其中,${\boldsymbol{f}}_L^\star = \!\!\displaystyle\sum\nolimits_{j = 1}^{L}{\boldsymbol{\beta}}_j^{\star}{\boldsymbol{g}}_j,$ $ {\boldsymbol{\beta}}_j^{\star} = [\beta_{j,1}^{\star},\beta_{j,2}^{\star},\cdots,\beta_{j,m}^{\star}]^{{\rm T}}. $ 证明. 容易可知,
$||{\boldsymbol{e}}_L^\star||^2\leq||\widetilde{{\boldsymbol{e}}}_L||^2 = ||{\boldsymbol{e}}_{L-1}^\star- $ $||{\boldsymbol{e}}_{L-1}^\star||^2\leq||\widetilde{{\boldsymbol{e}}}_{L-1}||^2. $ 那么可以得到:$$ \begin{split} &||{\boldsymbol{e}}_L^\star||^2-||{\boldsymbol{e}}_{L-1}^\star||^2 \leq\\ &\qquad||\widetilde{{\boldsymbol{e}}}_L||^2-||{\boldsymbol{e}}_{L-1}^\star||^2=\\ & \qquad \sum\limits_{q = 1}^{m}(\langle {\boldsymbol{e}}_{L-1,q}^\star-\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L,{\boldsymbol{e}}_{L-1,q}^\star-\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L\rangle-\\ &\qquad \langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{e}}_{L-1,q}^\star\rangle)=\\ & \qquad\sum\limits_{q = 1}^{m}(-2\langle {\boldsymbol{e}}_{L-1,q}^\star,\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L\rangle+\langle \widetilde{\beta}_{L,q}{\boldsymbol{g}}_L,\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L\rangle)=\\ &\qquad \sum\limits_{q = 1}^{m}\left(\frac{-2\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2}{||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}}+\frac{\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2||{\boldsymbol{g}}_L||^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2}\right)=\\ &\qquad -\frac{\displaystyle\sum\limits_{q = 1}^{m}\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2/\left(||{\boldsymbol{g}}_L||^2+\dfrac{2}{C}\right)} \\[-15pt] \end{split}$$ (39) 由于
$L_2$ 范数会产生有偏估计, 存在一个充分小的正实数$\theta $ , 使得$||{\boldsymbol{e}}_{L}^\star||^2 >\theta$ 成立. 那么可得:$$ \begin{split} & ||{\boldsymbol{e}}_{L-1}^\star||^2-||{\boldsymbol{e}}_{L}^\star||^2 \leq\\ & \qquad||{\boldsymbol{e}}_{L-1}^\star||^2-\theta \end{split}$$ (40) 令
$||{\boldsymbol{e}}_{L-1}^\star||^2- \theta =\varepsilon||{\boldsymbol{e}}_{L-1}^\star||^2,\ 0 < \varepsilon< 1 $ 通过式
$ (40) $ 可得:$$ (1-\varepsilon)||{\boldsymbol{e}}_{L-1}^\star||^2\leq||{\boldsymbol{e}}_{L}^\star||^2 $$ (41) 由式(34), (37)和(39)可得:
$$ \begin{split} & ||{\boldsymbol{e}}_L^\star||^2-(r+u_L)||{\boldsymbol{e}}_{L-1}^\star||^2 \leq\\ &\quad ||\widetilde{{\boldsymbol{e}}}_L||^2-(r+u_L)||{\boldsymbol{e}}_{L-1}^\star||^2=\\ &\quad \sum\limits_{q = 1}^{m}(\langle {\boldsymbol{e}}_{L-1,q}^\star-\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L,{\boldsymbol{e}}_{L-1,q}^\star-\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L\rangle -\\ &\quad (r+u_L)\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{e}}_{L-1,q}^\star\rangle)=\\ &\quad \sum\limits_{q = 1}^{m}((1-r-u_L)\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{e}}_{L-1,q}^\star\rangle-\\ &\quad 2\langle {\boldsymbol{e}}_{L-1,q}^\star,\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L\rangle+\langle \widetilde{\beta}_{L,q}{\boldsymbol{g}}_L,\widetilde{\beta}_{L,q}{\boldsymbol{g}}_L\rangle)=\\ &\quad (1-r-u_L)||{\boldsymbol{e}}_{L-1}^\star||^2+\sum\limits_{q = 1}^{m}\left(\frac{-2\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2}{||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}}+\right. \end{split} $$ $$ \begin{split} &\left.\quad \frac{\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2||{\boldsymbol{g}}_L||^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2}\right)=\\ &\quad (1-r-u_L)||{\boldsymbol{e}}_{L-1}^\star||^2-\\ &\quad \frac{\displaystyle\sum\nolimits_{q = 1}^{m}\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2}{\left(||{\boldsymbol{g}}_L||^2+\dfrac{1}{C}\right)^2/\left(||{\boldsymbol{g}}_L||^2+\dfrac{2}{C}\right)} \leq\\ &\quad \delta_L-\frac{\displaystyle\sum\nolimits_{q = 1}^{m}\langle {\boldsymbol{e}}_{L-1,q}^\star,{\boldsymbol{g}}_L\rangle^2}{\left(b_g^2+\dfrac{1}{C}\right)^2/\left(b_g^2+\dfrac{2}{C}\right)}\leq0 \end{split} $$ (42) 类似于定理1的证明可得
$\sqrt{\xi}||{\boldsymbol{f}}||\!\leq \! \lim_{L\rightarrow\infty}||{\boldsymbol{e}}_L^\star||\!\leq\!$ $\sqrt{\gamma}||{\boldsymbol{f}}||. $ 注 2. 从式(38)可知, 正则化系数
$ C $ 控制$ ||{\boldsymbol{\beta}}||_2^2 $ 和$ ||{\boldsymbol{e}}_{L}||_2^2 $ 之间的平衡. 另外, 不等式约束(37)的作用是增大网络残差函数$ ||{\boldsymbol{e}}_{L}||_2^2 $ 的下降量, 从而加快算法的收敛速度. 因此, 定理2所对应的RSC算法不仅能有效抑制过拟合现象, 而且具有较快的收敛速度.3.2 算法描述
定理
$ 1 $ 和定理2分别对应本文提出的RSC算法的两个版本, 即RSC-I算法和RSC-II算法. 由于RSC-II算法比RSC-I算法具有更快的收敛速度, 因此本文着重给出RSC-II算法的实现步骤.令
${\boldsymbol{e}}_{L-1}({\boldsymbol{x}}) \!=\! [{\boldsymbol{e}}_{L-1,1}({\boldsymbol{x}}),\ {\boldsymbol{e}}_{L-1,2}({\boldsymbol{x}}),\ \cdots, \ {\boldsymbol{e}}_{L-1,m}$ $({\boldsymbol{x}})]\in {\bf{R}}^{N\times m}$ 为带有$ L-1 $ 个隐含层节点的SLFNN残差, 其中,${\boldsymbol{e}}_{L-1,q}({\boldsymbol{x}}) = [e_{L-1,q}({\boldsymbol{x}}_1),e_{L-1,q}({\boldsymbol{x}}_2),\cdots,$ $e_{L-1,q}({\boldsymbol{x}}_N)]^{\rm{T}}\in {\bf{R}}^{N},\; q = 1,2,\cdots,m.$ 做出如下定义:$$\begin{split} {\boldsymbol{h}}_L({\boldsymbol{x}}) =\;& [{\boldsymbol{g}}_L({\boldsymbol{w}}_L^{{\rm T}}{\boldsymbol{x}}_1+b_L),{\boldsymbol{g}}_L({\boldsymbol{w}}_L^{{\rm T}}{\boldsymbol{x}}_2+b_L),\cdots,\\ &{\boldsymbol{g}}_L({\boldsymbol{w}}_L^{{\rm T}}{\boldsymbol{x}}_N+b_L)]^{{\rm T}} \\[-10pt] \end{split}$$ (43) 式中,
$ {\boldsymbol{h}}_L({\boldsymbol{x}}) $ 为第$ L $ 个隐含层节点输出. 那么当前网络的隐含层输出矩阵可写为${\boldsymbol{H}}_L = [{\boldsymbol{h}}_1,{\boldsymbol{h}}_2,\cdots, $ $ {\boldsymbol{h}}_L].$ 事实上,
$\beta_{L,q} = \langle {\boldsymbol{e}}_{L-1,q},{\boldsymbol{g}}_L\rangle/\Big(||{\boldsymbol{g}}_L||^2+ \dfrac{1}{C}\Big)(q = 1,$ $2,\cdots,m) $ 可写成如下形式:$$ \beta_{L,q} = \frac{{\boldsymbol{e}}_{L-1,q}({\boldsymbol{x}})^{{\rm T}}\cdot {\boldsymbol{h}}_L({\boldsymbol{x}})}{{\boldsymbol{h}}_L^{{\rm T}}({\boldsymbol{x}})\cdot {\boldsymbol{h}}_L({\boldsymbol{x}})+\frac{1}{C}},\ q = 1,2,\cdots,m $$ (44) 为简单起见, 引入一组变量
$ \xi_{L,q},q = 1,2,\cdots,m $ . 其表达式如下:$$ \begin{split} \xi_{L,q} =\;& \frac{\left({\boldsymbol{e}}_{L-1,q}^{{\rm T}}({\boldsymbol{x}})\cdot {\boldsymbol{h}}_L({\boldsymbol{x}})\right)^2}{\Upsilon}-(1-r-u_L)\cdot\\ & {\boldsymbol{e}}_{L-1,q}^{{\rm T}}({\boldsymbol{x}}){\boldsymbol{e}}_{L-1,q}({\boldsymbol{x}})^{{\rm }} \end{split}$$ (45) 式中,
$\Upsilon = \Big({\boldsymbol{h}}_L^{{\rm T}}({\boldsymbol{x}})\cdot {\boldsymbol{h}}_L({\boldsymbol{x}})+\dfrac{1}{C}\Big)^2\bigg/\Big({\boldsymbol{h}}_L^{{\rm T}}({\boldsymbol{x}})\times$ ${\boldsymbol{h}}_L({\boldsymbol{x}})+\dfrac{2}{C}\Big).$ RSC-II算法流程:
给定神经网络的训练样本
$ ({\boldsymbol{x}},{\boldsymbol{t}}), $ 其中,${\boldsymbol{x}} = $ $\{{\boldsymbol{x}}_1,{\boldsymbol{x}}_2,\cdots,{\boldsymbol{x}}_N\},\ x_i\in {\bf{R}}^d$ ,${\boldsymbol{t}} = \{{\boldsymbol{t}}_1,{\boldsymbol{t}}_2,\cdots,{\boldsymbol{t}}_N\}, \ {\boldsymbol{t}}_i\in$ ${\bf{R}}^m$ ; 最大隐含层节点数为$ L_{\max} $ , 期望精度为$ \epsilon, $ 随机配置的最大次数为$ T_{\max}; $ 选择一组正的标量$ \Upsilon = $ $ \{\lambda_{\min}:\Delta\lambda:\lambda_{\max}\}. $ 步骤 1. 神经网络的初始化阶段: 令
$ {\boldsymbol{e}}_0: = [{\boldsymbol{t}}_1, $ ${\boldsymbol{t}}_2,\cdots,{\boldsymbol{t}}_N]^{{\rm T}}, $ 给定$ C>0, $ 一个充分小的正实数$\varepsilon$ 给定$ 1-\varepsilon<r<1 $ , 两个空集:$ {\boldsymbol{\Omega}} $ and$ {\boldsymbol{W}} $ ;步骤 2. 神经网络的训练阶段: 随机参数配置和输出权重计算.
当
$ L\leq L_{\max} $ 和$ ||{\boldsymbol{e}}_0||_F>\epsilon $ 时,随机参数配置:
$ 1) $ For$ \lambda\in \Upsilon, $ $ 2) $ For$ k = 1,2,\cdots,T_{\max}, $ $ 3) $ 分别从$[-\lambda,\lambda]^d $ 和$[-\lambda,\lambda]$ 中随机选取$ {\boldsymbol{w}}_L $ 和$ b_L $ ;$ 4) $ 分别由式(43)和式(45)得到$ {\boldsymbol{h}}_L $ 和$ \xi_{L,q} $ , 并令$ u_L = (1-r)/(L+1); $ $ 5) $ If$ \min{\xi_{L,1},\xi_{L,2},\cdots,\xi_{L,m}}\geq0 $ $ 6) $ 将$ {\boldsymbol{w}}_L $ 和$ b_L $ 存储在$ {\boldsymbol{W}} $ 中,$\xi_L = $ $ \displaystyle\sum\nolimits_{q = 1}^{m} \xi_{L,q}$ 存储在$ {\boldsymbol{\Omega}} $ 中;$ 7) $ Else 返回$ 2) $ $ 8) $ End If$ 9)$ End For$ 10)$ ${\bf{If}} \; {\boldsymbol{W}} $ 不为空集$ 11) $ 在$ {\boldsymbol{\Omega}} $ 中找到最大$ \xi_L $ 所对应的$ {\boldsymbol{w}}_L^\star $ 和$ b_L^\star, $ 并令$ {\boldsymbol{H}}_L = [{\boldsymbol{h}}_1^\star,{\boldsymbol{h}}_2^\star,\cdots,{\boldsymbol{h}}_L^\star]; $ $ 12) $ Break(返回$ 16) $ );$ 13) $ Else 在$ \tau\in(0,1-r) $ 中随机产生$ \tau $ , 并更新$ r: = r+\tau, $ 再返回$ 2) $ ;$ 14)$ End If$ 15) $ End For输出权重计算:
$ 16) $ 计算$ {\boldsymbol{\beta}}_{}^\star = [{\boldsymbol{\beta}}_{1}^\star,{\boldsymbol{\beta}}_{2}^\star,\cdots,{\boldsymbol{\beta}}_{L}^\star]^{{\rm T}}: =\Big({\boldsymbol{H}}_L^{{\rm T}}{\boldsymbol{H}}_L +$ $\dfrac{{\boldsymbol{I}}}{C}\Big)^{-1}\times {\boldsymbol{H}}_L^{{\rm T}}t; $ $ 17) $ 计算$ {\boldsymbol{e}}_L = {\boldsymbol{t}}-{\boldsymbol{H}}_L{\boldsymbol{\beta}}^\star; $ $ 18) $ 令$ {\boldsymbol{e}}_0: = {\boldsymbol{e}}_L, $ $ L: = L+1; $ 算法结束, 并得到最优的
$ {\boldsymbol{\beta}}_1^\star,{\boldsymbol{\beta}}_2^\star,\cdots,{\boldsymbol{\beta}}_L^\star, $ ${\boldsymbol{w}}^\star = $ $ [{\boldsymbol{w}}_1^\star,{\boldsymbol{w}}_2^\star,\cdots,{\boldsymbol{w}}_L^\star]$ 和$ b^\star = [b_1^\star,b_2^\star,\cdots,b_L^\star]. $ 4. 实验分析
为验证所提RSC-II算法的有效性, 与SCN-III[13]算法进行比较分析. 为保证实验结果的可靠性, 选择一个函数近似、四个基准数据集和一组主通风机切换过程数据作为仿真对象. 所有仿真实验在MATLAB 2016a中进行, 使用CPU为i5, 3.4 GHz, 内存为8 GB RAM的PC机. 选择Sigmoid函数
$ {\boldsymbol{g}}({\boldsymbol{x}}) = 1/(1+\exp(-{\boldsymbol{x}})) $ 作为两种算法隐含层节点的激活函数. 将神经网络的输入输出数据归一化到区间[0, 1].在一定的噪声水平下对两种算法进行评价. 选择均方根误差(Root mean square error, RMSE)作为评价算法泛化能力的指标. 每组进行20次试验, 选择20次试验的平均值(Mean)和标准差(Standard deviation, STD)作为最终结果. 随机参数的最大配置次数为
$ L_{\max} = 200, $ 网络精度取值为$ \epsilon = 0.01. $ 其他相关参数的设定将在具体的仿真实验中给出.4.1 函数近似
考虑一个函数近似[23]问题:
$$ \begin{split} y =\;& 0.2{\rm{e}}^{-(10x-4)^2}+0.5{\rm{e}}^{-(80x-40)^2}+\\&0.3{\rm{e}}^{-(80x-20)^2} \end{split} $$ (46) 式中,
$ x\in[0,1]. $ 由rand(0, 1)随机产生1 000个数据作为训练样本, 由linspace(0, 1, 300)等间隔生成300个数据组成测试样本. 为验证所提RSC-II算法能有效克服过拟合问题, 需要对训练数据进行预处理, 即在训练样本中添加一定比例的异常值. 训练样本中异常值的比例为
$ 5\,{\text{%}}$ , 其形式为:$$ y_{i,{\rm Outlier}} = y_{i}+{\rm rand}(0,1)-0.5 $$ (47) 式中,
$ y_i\in [0,1]$ 为归一化训练样本的第$ i $ 个输出,$ i $ 从$[1,2,\cdots,N]$ 中随机选取,$ {\rm rand}(0,1) $ 为$ (0,1) $ 之间的随机数.由式
$ (37) $ 和式(38)可知, 正则化系数$ C $ 严重影响算法的学习精度,$ C $ 的选择可以提高精度, 也可以降低精度. 为显示$ C $ 对网络性能的影响, 针对不同的$ C $ , 对RSC-II算法进行仿真.$ C $ 在集合$\{2^{-20}, $ $ 2^{-19},\cdots,2^0,\cdots,2^{19},2^{20}\} $ 中依次取值, 一共有41个数值. 同时设定$\lambda_{\min} = 100,\ \Delta \lambda = 1,$ $ L_{\max} = 50. $ 从图2可以看出,$ C $ 越小, RSC-II算法的训练能力越差, 对测试能力亦是如此. 当$ C $ 大于$ 2^0 $ 时, 与SCN-III算法相比, RSC-II算法显示出更好的测试性能. 另外, 对于一个合适的正则化系数$ C $ , 在相同的训练精度下, RSC-II算法比SCN-III算法具有更高的测试精度. 因此, 在建立网络时, 需要确定合适的系数$ C $ . 那么在下面的仿真实验中, RSC-II算法使用合适的正则化系数$ C $ .
图 2 不同$C$ 下RSC-II和SCN-III算法对函数近似的训练与测试精度结果对比Fig. 2 The result comparison of training and testing accuracy of RSC-II and SCN-III on function approximation with varying$C$ 图3 (a)为包含
$ 5\,{\text{%}} $ 异常值的1 000个训练样本, 图3 (b)为两种算法对测试数据集的测试性能. 可以看出, 相比于SCN-III算法, RSC-II算法具有更好的拟合能力. 从图4可知, RSC-II算法总是获得比SCN-III算法更低的测试RMSE. 随着隐含层节点数目的增加, RSC-II的泛化能力得到提高或者基本保持不变, 而SCN-III的性能变差. 这是因为SCN-III算法始终存在过拟合问题, 并且随着隐含层节点的增加, 过拟合问题更加严重. RSC-II算法通过引入正则化系数用于平衡近似精度和模型复杂度, 可有效避免过拟合问题. 表2 给出了两种算法的具体实验结果.
图 3 (a)包含5 %异常值的1 000个函数近似训练样本和目标函数; (b)两种算法对测试数据的近似性能Fig. 3 (a) 1 000 training samples containing 5 % outliers for function approximation and target function; (b) Approximation performance on the test dataset by two learning algorithms
图 4 平均两种算法在测试数据集上的测试RMSEFig. 4 Average testing RMSE of the two algorithms on the test dataset表 2 函数近似的性能比较Table 2 Performance comparisons on the function approximation算法 不同$L_{\max}$所对应的测试性能 (Mean, STD) 50 70 90 110 130 150 170 190 SCN-III 0.0315, 0.0032 0.0329, 0.0033 0.0388, 0.0048 0.0396, 0.0032 0.0459, 0.0043 0.0512, 0.0058 0.0526, 0.0048 0.0557, 0.0095 RSC-II 0.0229, 0.0019 0.0209, 0.0013 0.0209, 0.0008 0.0209, 0.0003 0.0210, 0.0005 0.0211, 0.0004 0.0213, 0.0004 0.0218, 0.0003 4.2 基准数据
为进一步验证所提RSC-II算法的有效性, 选取UCI数据库[24]中的四个数据集进行实验. 相关数据集的信息和参数设置如表3所示. 采用类似于函数近似问题中的策略进行训练数据预处理. 首先, 从归一化训练数据中随机选取
$ 5 \,{\text{%}} $ 的样本; 然后, 通过式$ (47) $ 对选中的数据进行预处理.表 3 回归数据集与参数设置Table 3 Specifications of benchmark problems and some parameter settings数据集 属性 输出 训练数据 测试数据 ${\lambda_{\min}}$ ${\Delta\lambda}$ Wine Quality 12 1 3918 980 1 0.1 Concrete 9 1 772 258 1 0.1 Yacht 7 1 227 81 1 1 Airfoil Self-noise 6 1 1352 151 1 0.1 从图5可以看出, 随着隐含层节点数的增加, SCN-III算法的测试集RMSE呈现明显上升趋势, 而RSC-II算法的测试集RMSE趋于平稳, 因此SCN-III算法出现过拟合现象, 而RSC-II算法未出现过拟合问题. 这是因为随着隐含层节点数的增加, 神经网络结构变得过于复杂, 使得SCN-III算法出现过拟合问题, 对测试数据表现较差. 由于RSC-III算法引入的正则化系数
$ C $ 起到了平衡模型复杂度与拟合精度的作用, 避免了过拟合问题, 对测试数据具有较好的测试效果. 两种算法的具体实验结果如表4所示, 其中, (a)、(b)、(c)、(d)分别为Wine Quality、Concrete、Yacht、Airfoil Self-noise数据集.
图 5 不同$L_{\max}$ 下RSC-II和SCN-III算法对基准数据集的测试RMSE对比Fig. 5 Test RMSE comparison of the RSC-II and SCN-III algorithms on four benchmark datasets with different$L_{\max}$ 表 4 对基准数据集的性能对比Table 4 Performance comparisons on benchmark datasets数据集 算法 不同$L_{\max}$所对应的测试性能 (Mean, STD) 50 70 90 110 130 150 170 190 (a) SCN-III 0.2476, 0.0233 0.2546, 0.0531 0.2543, 0.0492 0.2559, 0.0464 0.2908, 0.0612 0.2997, 0.0841 0.3480, 0.1484 0.3934, 0.1886 RSC-II 0.2232, 0.0011 0.2229, 0.0014 0.2229, 0.0016 0.2225, 0.0016 0.2231, 0.0017 0.2235, 0.0022 0.2236, 0.0021 0.2238, 0.0021 (b) SCN-III 0.4017, 0.1060 0.5209, 0.1587 0.7120, 0.2247 0.7739, 0.2010 0.8640, 0.2324 1.3580, 0.7945 1.4025, 0.4526 1.6700, 0.5415 RSC-II 0.2248, 0.0068 0.2277, 0.0059 0.2295, 0.0094 0.2295, 0.0076 0.2323, 0.0089 0.2341, 0.0090 0.2384, 0.0063 0.2416, 0.0056 (c) SCN-III 0.3167, 0.2289 0.3528, 0.1436 0.3820, 0.1781 0.6620, 0.2900 0.9062, 0.5600 1.2226, 0.3571 2.7450, 1.1718 4.0242, 1.0377 RSC-II 0.1308, 0.0209 0.1216, 0.0107 0.1197, 0.0152 0.1168, 0.0111 0.1164, 0.0118 0.1113, 0.0117 0.1056, 0.0112 0.1066, 0.0113 (d) SCN-III 0.2607, 0.0313 0.3489, 0.1007 0.4332, 0.1219 0.6615, 0.2487 1.2668, 0.4213 1.4295, 0.5883 1.8264, 0.5194 2.0539, 0.9744 RSC-II 0.2281, 0.0091 0.2378, 0.0147 0.2332, 0.0153 0.2395, 0.0214 0.2443, 0.0279 0.2615, 0.0402 0.2437, 0.0234 0.2848, 0.0512 4.3 井下供给风量估计
前面两个小节的实验仿真验证了所提RSC-II算法的有效性, 本小节将其在实际主通风机切换过程进行井下供给风量估计. 在实际工业现场采集1 500个样本作为建模的输入输出数据, 其中选择1 400个样本作为训练数据, 其余100个样本作为测试数据. 采用前面两个小节中类似的方式对训练数据进行预处理,
$ \lambda_{\min} $ 值设定为1,$ \Delta\lambda $ 也取值为1.从图6可以看出, RSC-II算法的泛化能力始终优于SCN-III算法的泛化能力. 当隐含层节点数为50时, 两种算法的性能比较相近. 随着隐含层节点数的增加, RSC-II算法测试集的RMSE始终保持在较低的水平, 而SCN-III算法测试集的RMSE上升趋势明显. 因此, 相对于RSC-II算法, SCN-III算法出现了较为明显的过拟合现象. 其原因在于当神经网络结构变得尤为复杂时, SCN-III缺乏应对的能力, 从而导致泛化能力差、鲁棒性不足的问题. 引入了正则化系数
$ C $ 的RSC-II算法对模型精度和复杂度进行折中, 在保证精度的同时, 降低了模型复杂度. 表5列出了两种算法实现的具体实验结果.
图 6 平均两种算法在实际MFSP数据集上的测试RMSEFig. 6 Average testing RMSE of the two algorithms on the actual MFSP dataset表 5 在实际MFSP数据集上的性能对比Table 5 Performance comparisons on the actual MFSP dataset算法 不同$L_{\max}$所对应的测试性能 (Mean, STD) 50 110 170 230 270 330 370 410 SCN-III 0.0287, 0.0029 0.0494, 0.0039 0.0623, 0.0069 0.0758, 0.0063 0.0837, 0.0059 0.0983, 0.0107 0.1033, 0.0096 0.1146, 0.0095 RSC-II 0.0269, 0.0021 0.0316, 0.0017 0.0372, 0.0035 0.0411, 0.0046 0.0424, 0.0047 0.0454, 0.0066 0.0460, 0.0054 0.0509, 0.0077 图7给出了在
$ L_{\max} = 50 $ 时两种算法的测试性能. 可以看出, 相比于SCN-III算法, RSC-II算法的估计值能很好地拟合实际值, 模型精度较高. 综上, 采用RSC-II方法建立的井下供给风量估计模型可以以很高的精度对建模数据进行拟合, 尤其是可以避免过拟合问题. 另外, 随着主通风机切换过程样本数据的增多, 需要适当地增加隐含层节点数. 结果表明, 基于RSC-II的建模算法在隐含层节点数为170时仍表现出良好的泛化性能和预测精度. 因此, 本文所提方法能够用于主通风机切换过程实现井下供给风量的建模.
图 7$L_{\max} = 50$ 所对应的MFSP数据集的测试性能: (a) SCN-III; (b) RSC-IIFig. 7 Test performance at$L_{\max} = 50$ on the actual MFSP dataset: (a) SCN-III; (b) RSC-II5. 结论
针对SCN算法建模时存在过拟合和泛化能力差的问题, 本文结合正则化技术, 提出一种新型的RSC算法, 用于建立主通风机切换过程井下供给风量的估计模型. 与SCN算法相比, 建立的RSC-II模型不仅具有更高的模型精度, 而且具有更好的泛化能力. 尤为重要的是RSC-II算法可以有效避免SCN算法存在的过拟合问题. 同时, RSC-II算法具有与SCN算法相同的小尺寸特性. 因此, 基于所提算法建立的模型具有尺寸小、鲁棒性强、泛化性能好的优点, 能够应用到实际主通风机切换过程进行井下供给风量估计.
-
图 8 巨灾防御与应急决策仿真系统总体框架
Fig. 8 General framework of catastrophe prevention and emergency decision simulation system
表 1 国外对复杂性、复杂系统研究的代表性工作
Table 1 Representative work abroad on complexity and complex system
序号 机构/代表学者 研究内容 机构网址 文献 1 圣菲研究所 (Santa Fe Institute, SFI) Holland、Arthur、Kauffman 等学者 复杂自适应系统; 开创了用计算机直接去探索开放的复杂巨系统, 从“半微观”入手, 找出可能出现的宏观行为, 致力于理解和统一复杂的物理、生物、社会、文化、技术甚至可能的天文生物学世界中潜在的共享模式. http://www.santafe.edu/ [38, 40-41] 2 乔治·梅森大学 (George Mason University) 集成科学高级研究所Warfield 等学者 结构学派, 主要采用形式逻辑 (包括集合论、关系论、图论、布尔代数等) 来描述复杂性. 他们认为复杂性存在于人的头脑中. 提出了复杂性的 20 条定律 (Law)、对这 20 条定律的分类 (Taxonomy)以及衡量复杂性的 5 个指标 (Index), 这三者统称为 LTI 集. https://www2.gmu.edu/ [42-43] 3 麻省理工大学 (Massachusetts Institute of Technology, MIT) Forrester、Senge 等学者 系统动力学派, 采用常微分方程描述复杂问题, 并认为复杂性存在于所研究的系统之中. 这一学派主要研究组织理论, 特别是学习型组织等问题; 探索如何改造现有的各种组织, 使之能以“整体运作” 的全新方式进行思考, 从而提升人类组织的“群体智力” 来面对复杂问题. https://www.mit.edu/ [44] 4 Los Alamos 的非线性研究中心(Center for Nonlinear Studies, CNLS) Deka、Chertkov、RussellBent 等学者 混沌理论学派, 用偏微分方程来描述复杂系统的特性, 认为复杂性存在于所研究的系统之中. https://cnls.lanl.gov/External/ [45-49] 5 国际系统工程研究所 (IIASA) Ermolieva、Folberth 等学者 该机构对全球性问题进行政策导向的研究, 具体的研究领域涵盖了系统工程、环境保护、公共服务等多个层面内容. www.iiasa.ac.at [50-52] 6 关系复杂性评估中心 (The Centre for the Evaluation of Complexity Across the Nexus, CECAN) Gilbert、Ahrweiler 等学者 该机构致力于研究食品、能源、水资源和环境领域的相关政策, 使其适应复杂的人类社会. https://www.cecan.ac.uk/ [53-56] 7 美国东北大学复杂网络研究中心(Northeastern University, Network Science Institute, NetSI) Friedland、Grinberg
等学者该机构的研究方向涵盖了生物、技术、信息和社会系统等多个领域, 其中包括大型集体的决策和性能. www.barabasilab.com [57-58] 8 美国圣母大学复杂网络研究中心 (University of Notre Dame, Lucy Family Institute for Data and Society) Chawla 等学者 该机构在社会、物理、生物、化学、健康与福祉、组织和防御系统的重大挑战问题陈述中进行跨学科的研究. https://cnds.nd.edu/ [59-60] 9 新英格兰复杂系统研究所 (New England Complex Systems Institute, NECSI) Bar-Yam、Morales 等学者 在复杂系统科学及其应用的开发中发挥了重要作用. 该机构研究系统内的交互如何决定其行为模式, 以及系统如何与环境交互. https://necsi.edu/ [61-66] 10 悉尼科技大学 (University of Technology Sydney, UTS) Cao 等学者 对于复杂组织与企业、复杂数据系统、复杂知识发现系统、复杂人工智能系统等中所涉及的多种复杂性、多种智能、多种交互与耦合等以及它们的综合集成进行了广泛与深入的研究, 对综合集成计算与工程开展了扩充与应用. https://datasciences.org/Metasynthetic-engineering/ [12-15,
67-68]
下载: 导出CSV
表 2 国内对开放的复杂巨系统及综合集成法的研究
Table 2 Domestic research on open complex giant system and metasynthesis
序号 机构/代表学者 研究内容 文献 1 中国科学院系统科学研究所顾基发、唐锡晋等学者 从综合、集成、复杂问题求解等角度出发, 对模型集成与意见综合进行国内外调研和分析. 提出“知识创造场”, 研究了人机结合对群体知识创造的有效支持, 探讨了物理−事理−人理系统方法应用于综合集成研讨系统的实现. [76-83] 2 中国航天科技集团公司 710 研究所于景元、周晓纪等
学者在进行物价补贴、定价和工资的有关课题中, 运用了人机结合的思想, 将人的经验、知识和智慧与各种资料信息集成起来, 达到定性认识到定量认识的提升. 对现代科学技术体系、总体设计部与综合集成方法间的关系展开探讨. [84-88] 3 北京大学宋刚等学者 对综合集成法研究的起源及其演进发展进行了系统性的综述, 揭示了整体演进规律. 指出社会实践是其发展的主要动因, 具有明显的跨学科属性, 研究了综合集成法在智慧城市、创新 2.0的时代背景下的应用场景和理论创新. [89-90] 4 中国航天系统科学与工程研究院薛惠峰等学者 以综合集成法为基础, 提出综合提升方法, 构建了基于综合集成研讨厅, 以水资源管理为例, 实现了智慧水利资源管理平台. [91] 5 国防大学胡晓峰等学者 以战略决策问题为应用背景, 以综合集成法为指导, 从技术的视角讨论了“综合集成研讨厅”的有关问题, 提出了一种可用于军事战略决策的综合集成研讨环境的 XOD 体系. [92] 6 中国人民大学苗东升等学者 从哲学层面探讨综合集成法, 在认识论层面突出了认识过程与知识体系的辩证性. 认为综合集成法过于强调应用, 其理论体系尚未建立. [93-95] 7 北京大学冯国瑞等学者 从哲学层面探讨综合集成法, 指出开放的复杂巨系统理论从复杂系统方面揭示了物质统一性, 在方法论上起到连接作用, 综合集成法从定性、定量认识的视角重新审视了认识发展过程. [96-98] 8 北京联合大学卢明森等学者 指出大成智慧是现代科学技术体系、系统科学、思维科学等的综合集成. 主编了《创新思维学引论》(普通高等教育 “十五” 国家级规划教材)一书, 从创新思维的基本原理、创新思维必备的心理素质、创新思维的方式、方法与方法论, 以及创新思维实践等角度系统性的阐述了创新思维学, 为我国开展创新性思维教育做出了贡献. [99-103]
下载: 导出CSV
-
[1] 钱学森, 于景元, 戴汝为. 一个科学新领域——开放的复杂巨系统及其方法论. 自然杂志, 1990, 13(1): 3−10, 64Qian Xue-Sen, Yu Jing-Yuan, Dai Ru-Wei. A new field of science-open complex giant system and its methodology. Chinese Journal of Nature, 1990, 13(1): 3−10, 64 (查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [2] 戴汝为. 从定性到定量的综合集成技术. 模式识别与人工智能, 1991, 4(1): 5−10Dai Ru-Wei. Comprehensive integration technology from qualitative to quantitative. Pattern Recognition and Artificial Intelligence, 1991, 4(1): 5−10(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [3] 戴汝为, 李耀东. 基于综合集成的研讨厅体系与系统复杂性. 复杂系统与复杂性科学, 2004, 1(4): 1−24 doi: 10.3969/j.issn.1672-3813.2004.04.001Dai Ru-Wei, Li Yao-Dong. Researches on hall for workshop of metasynthetic engineering and system complexity. Complex Systems and Complexity Science, 2004, 1(4): 1−24 doi: 10.3969/j.issn.1672-3813.2004.04.001 [4] 戴汝为. 复杂巨系统科学——一门21世纪的科学. 自然杂志, 1997, 19(4): 187−192Dai Ru-Wei. Complex giant system science—a 21st century science. Chinese Journal of Nature, 1997, 19(4): 187−192 [5] 许国志. 系统科学与工程研究. 上海: 上海科技教育出版社, 2000.Xu Guo-Zhi. Systems Science and Engineering. Shanghai: Shanghai Scientific & Technical Publishers, 2000. [6] 戴汝为. 系统控制与系统复杂性的进展、机遇与挑战. 科学中国人, 2004(10): 31−32Dai Ru-Wei. Progress, opportunities and challenges of system control and complexity. Science Chinese, 2004(10): 31−32(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [7] 钱学森. 创建系统学(新世纪版). 上海: 上海交通大学出版社, 2007.Qian Xue-Sen. Creation of System Science (New Century Edition). Shanghai: Shanghai Jiao Tong University Press, 2007. [8] 钱学森, 乌家培. 组织管理社会主义建设的技术——社会工程. 经济管理, 1979(1): 5−9Qian Xue-Sen, Wu Jia-Pei. The technology of organization and management of socialist construction-social engineering. Economic Management, 1979(1): 5−9(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [9] 钱学森. 再谈开放的复杂巨系统. 模式识别与人工智能, 1991, 4(1): 1−4Qian Xue-Sen. The open complex giout system. Pattern Recognition and Artificial Intelligence, 1991, 4(1): 1−4 [10] 戴汝为, 李耀东, 李秋丹. 社会智能与综合集成系统. 北京: 人民邮电出版社, 2012.Dai Ru-Wei, Li Yao-Dong, Li Qiu-Dan. Social Intelligence and Metasynthetic System. Beijing: Posts & Telecom Press, 2012. [11] 操龙兵, 戴汝为. 开放复杂智能系统: 基础、概念、分析、设计与实施. 北京: 人民邮电出版社, 2008.Cao Long-Bing, Dai Ru-Wei. Open Complex Intelligent Systems: Foundation, Concept, Analysis, Design and Implementation. Beijing: Posts & Telecom Press, 2008. [12] Cao L B. Data science: Challenges and directions. Communications of the ACM, 2017, 60(8): 59−68 doi: 10.1145/3015456 [13] Cao L B. Data Science Thinking: The Next Scientific, Technological and Economic Revolution. Cham: Springer, 2018. [14] Cao L B. Coupling learning of complex interactions. Information Processing & Management, 2015, 51(2): 167−186 [15] Cao L B. Metasynthetic Computing and Engineering of Complex Systems. London: Springer, 2015. [16] Cao L B, Dai R W, Zhou M C. Metasynthesis: M-space, M-interaction, and M-computing for open complex giant systems. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2009, 39(5): 1007−1021 doi: 10.1109/TSMCA.2009.2022414 [17] 戴汝为. 从定性到定量的综合集成法的形成与现代发展. 自然杂志, 2009, 31(6): 311−314, 326 doi: 10.3969/j.issn.0253-9608.2009.06.001Dai Ru-Wei. The proposal and recent development of metasynthetic method(M) from qualitative to quantitative. Chinese Journal of Nature, 2009, 31(6): 311−314, 326 doi: 10.3969/j.issn.0253-9608.2009.06.001 [18] 李耀东, 崔霞, 戴汝为. 综合集成研讨厅的理论框架、设计与实现. 复杂系统与复杂性科学, 2004, 1(1): 27−32 doi: 10.3969/j.issn.1672-3813.2004.01.006Li Yao-Dong, Cui Xia, Dai Ru-Wei. The framework, design & implementation of hall for workshop of meta-synthetic engineering. Complex Systems and Complexity Science, 2004, 1(1): 27−32 doi: 10.3969/j.issn.1672-3813.2004.01.006 [19] 戴汝为. 钱学森对系统科学、思维科学的重大贡献. 交通运输系统工程与信息, 2002, 2(3): 1−3, 32 doi: 10.3969/j.issn.1009-6744.2002.03.001Dai Ru-Wei. Qian’s great contribution on system science and thinking science. Journal of Transportation System Engineering and Information Technology, 2002, 2(3): 1−3, 32 doi: 10.3969/j.issn.1009-6744.2002.03.001 [20] 涂元季. 钱学森书信. 北京: 国防工业出版社, 2007.Tu Yuan-Ji. Letters from Qian Xuesen. Beijing: National Defense Industry Press, 2007. [21] 王丹力, 戴汝为. 群体一致性及其在研讨厅中的应用. 系统工程与电子技术, 2001, 23(7): 33−37 doi: 10.3321/j.issn:1001-506X.2001.07.011Wang Dan-Li, Dai Ru-Wei. Group consistency and application in the hall for workshop. Systems Engineering and Electronics, 2001, 23(7): 33−37 doi: 10.3321/j.issn:1001-506X.2001.07.011 [22] 王丹力, 戴汝为. 专家群体思维收敛的研究. 管理科学学报, 2002, 5(2): 1−5 doi: 10.3321/j.issn:1007-9807.2002.02.001Wang Dan-Li, Dai Ru-Wei. Research on convergence of expert group thought. Journal of Management Sciences in China, 2002, 5(2): 1−5 doi: 10.3321/j.issn:1007-9807.2002.02.001 [23] Zheng N, Song S Y, Bao H Y. A temporal-topic model for friend recommendations in Chinese microblogging systems. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2015, 45(9): 1245−1253. doi: 10.1109/TSMC.2015.2391262 [24] 戴汝为. 系统科学与思维科学交叉发展的硕果——大成智慧工程. 系统工程理论与实践, 2002, 22(5): 8−11, 65 doi: 10.3321/j.issn:1000-6788.2002.05.002Dai Ru-Wei. A result of system sciences and noetic sciences cross development-metasynthetic engineering. Systems Engineering-Theory & Practice, 2002, 22(5): 8−11, 65 doi: 10.3321/j.issn:1000-6788.2002.05.002 [25] Tai J W, Liu T J, Zhang L Q. A new approach for feature extraction and feature selection of handwritten Chinese character recognition. From Pixels to Features III: Frontiers in Handwriting Recognition. Amsterdam: Elsevier, 1992. 479−491 [26] 戴汝为. 智能科学与工程(人机的结合). 见: 中国科学院第七次院士大会学术报告摘要汇编(预印本). 北京, 中国, 1994. 45−50Dai Ru-Wei. Intelligent science and engineering (combination of human and machine). In: Proceedings of the 1994 Summary of Academic Reports of the Seventh Academician Conference of the Chinese Academy of Sciences (Preprint). Beijing, China, 1994. 45−50 [27] 钱学森, 戴汝为. 论信息空间的大成智慧: 思维科学、文学艺术与信息网络的交融. 上海: 上海交通大学出版社, 2007.Qian Xue-Sen, Dai Ru-Wei. Emergence of Metasynthetic Wisdom in Cyberspace. Shanghai: Shanghai Jiao Tong University Press, 2007. [28] 戴汝为. 人-机结合的智能科学和智能工程. 中国工程科学, 2004, 6(5): 24−28 doi: 10.3969/j.issn.1009-1742.2004.05.004Dai Ru-Wei. Man-computer cooperative intelligent science and intelligent technology. Engineering Science, 2004, 6(5): 24−28 doi: 10.3969/j.issn.1009-1742.2004.05.004 [29] 戴汝为. 社会智能科学. 上海: 上海交通大学出版社, 2007.Dai Ru-Wei. Science of Social Intelligence. Shanghai: Shanghai Jiao Tong University Press, 2007. [30] 戴汝为. 社会智能科学的形成和发展. 上海理工大学学报, 2011, 33(1): 1−7 doi: 10.3969/j.issn.1007-6735.2011.01.001Dai Ru-Wei. Formation and development of social intelligence science. Journal of University of Shanghai for Science and Technology, 2011, 33(1): 1−7 doi: 10.3969/j.issn.1007-6735.2011.01.001 [31] 王海涛, 宋丽华, 向婷婷, 刘力军. 人工智能发展的新方向——人机物三元融合智能. 计算机科学, 2020, 47(11A): 1−5, 22Wang Hai-Tao, Song Li-Hua, Xiang Ting-Ting, Liu Lijun. New development direction of artificial intelligence - human cyber physical ternary fusion intelligence. Computer Science, 2020, 47(11A): 1−5, 22 [32] 于景元, 涂元季. 从定性到定量综合集成方法——案例研究. 系统工程理论与实践, 2002, 22(5): 1−7, 42 doi: 10.3321/j.issn:1000-6788.2002.05.001Yu Jing-Yuan, Tu Yuan-Ji. Meta-synthesis-study of case. Systems Engineering-Theory & Practice, 2002, 22(5): 1−7, 42 doi: 10.3321/j.issn:1000-6788.2002.05.001 [33] 田园, 翟凡, 冯珊. 宏观经济智能决策支持系统MEIDSS. 系统工程理论与实践, 1997, 17(3): 2−8Tian Yuan, Zhai Fan, Feng Shan. MEIDSS: An intelligent decision support system for macroeconomy application. System Engineering-Theory & Practice, 1997, 17(3): 2−8 [34] 于景元, 刘毅, 马昌超. 关于复杂性研究. 系统仿真学报, 2002, 14(11): 1417−1424, 1446 doi: 10.3969/j.issn.1004-731X.2002.11.005Yu Jing-Yuan, Liu Yi, Ma Chang-Chao. Study on the complexity. Journal of System Simulation, 2002, 14(11): 1417−1424, 1446 doi: 10.3969/j.issn.1004-731X.2002.11.005 [35] 操龙兵, 戴汝为. 基于Internet的综合集成研讨厅系统体系结构研究. 计算机科学, 2002, 29(6): 63−66 doi: 10.3969/j.issn.1002-137X.2002.06.012Cao Long-Bing, Dai Ru-Wei. Architecture of internet-based hall for workshop of metasynthetic engineering. Computer Science, 2002, 29(6): 63−66 doi: 10.3969/j.issn.1002-137X.2002.06.012 [36] 戴汝为, 操龙兵. 综合集成研讨厅的研制. 管理科学学报, 2002, 5(3): 10−16 doi: 10.3321/j.issn:1007-9807.2002.03.002Dai Ru-Wei, Cao Long-Bing. Research of hall for workshop of metasynthetic engineering. Journal of Management Sciences in China, 2002, 5(3): 10−16 doi: 10.3321/j.issn:1007-9807.2002.03.002 [37] 万方数据[online] avulable: https://s.wanfangdata.com.cn/paper?q=综合集成研讨厅, 2021-7-20 [38] Holland J. Emergence: From Chaos to Order. RedwoodCity, California: Addison-Wesley, 1997. [39] Horgan J. From complexity to perplexity. Scientific American, 1995, 272(6): 74−79. [40] Waldrop M [著], 陈玲 [译]. 复杂: 诞生于秩序与混沌边缘的科学. 北京: 三联书店, 1997.Waldrop M [Author], Chen Ling [Translator]. Complexity. Beijing: Joint Publishing, 1997. [41] Oña L, Lachmann M. Signalling architectures can prevent cancer evolution. Scientific Reports, 2020, 10(1): Article No. 674 doi: 10.1038/s41598-020-57494-w [42] Warfield J N. Twenty laws of complexity: Science applicable in organizations. Systems Research and Behavioral Science, 1999, 16(1): 3−40 doi: 10.1002/(SICI)1099-1743(199901/02)16:1<3::AID-SRES241>3.0.CO;2-F [43] Warfield J N, Cardenas A R. A Handbook of Interactive Management. Ames: Iowa State University Press, 1994. [44] Senge P M [著], 郭进隆 [译]. 第五项修炼: 学习型组织的艺术与实务. 上海: 上海三联书店, 1998.Senge P M [Author], Guo Jin-Long [Translator]. The Fifth Discipline: The Art & Practice of the Learning Organization. Shanghai: Shanghai Joint Publishing Press, 1998. [45] Li W T, Deka D, Chertkov M, Wang M. Real-time faulted line localization and PMU placement in power systems through convolutional neural networks. IEEE Transactions on Power Systems, 2019, 34(6): 4640−4651 doi: 10.1109/TPWRS.2019.2917794 [46] Li W T, Wang M. Identifying overlapping successive events using a shallow convolutional neural network. IEEE Transactions on Power Systems, 2019, 34(6): 4762−4772 doi: 10.1109/TPWRS.2019.2914774 [47] Mashayekh S, Stadler M, Cardoso G, Heleno M, Madathil S C, Nagarajan H, et al. Security-constrained design of isolated multi-energy microgrids. IEEE Transactions on Power Systems, 2018, 33(3): 2452−2462 doi: 10.1109/TPWRS.2017.2748060 [48] Korber B, Fischer W M, Gnanakaran S, Yoon H, Theiler J, Abfalterer W, et al. Tracking changes in SARS-CoV-2 Spike: Evidence that D614G increases infectivity of the COVID-19 virus. Cell, 2020, 182(4): 812−827.e19 doi: 10.1016/j.cell.2020.06.043 [49] Mohan A T, Gaitonde D V. A deep learning based approach to reduced order modeling for turbulent flow control using LSTM neural networks. arXiv preprint arXiv: 1804.09269, 2018. [50] Ermoliev Y, Ermolieva T, Jonas M, Obersteiner M, Wagner F, Winiwarter W. Integrated model for robust emission trading under uncertainties: Cost-effectiveness and environmental safety. Technological Forecasting and Social Change, 2015, 98: 234−244 doi: 10.1016/j.techfore.2015.01.003 [51] Folberth C, Baklanov A, Balkovič J, Skalský R, Khabarov N, Obersteiner M. Spatio-temporal downscaling of gridded crop model yield estimates based on machine learning. Agricultural and forest meteorology, 2019, 264: 1−15 doi: 10.1016/j.agrformet.2018.09.021 [52] Danielson M, Ekenberg L. A robustness study of state-of-the-art surrogate weights for MCDM. Group Decision and Negotiation, 2017, 26(4): 677−691 doi: 10.1007/s10726-016-9494-6 [53] Calder M, Craig C, Culley D, de Cani R, Donnelly C A, Douglas R, et al. Computational modelling for decision-making: Where, why, what, who and how. Royal Society Open Science, 2018, 5(6): Article No. 172096 doi: 10.1098/rsos.172096 [54] Gilbert N, Ahrweiler P, Barbrook-Johnson P, Narasimhan K P, Wilkinson H. Computational modelling of public policy: Reflections on practice. Journal of Artificial Societies and Social Simulation, 2018, 21(1): Article No. 14 doi: 10.18564/jasss.3669 [55] Ahrweiler P. Agent-based simulation for science, technology, and innovation policy. Scientometrics, 2017, 110(1): 391−415 doi: 10.1007/s11192-016-2105-0 [56] Ahrweiler P, Gilbert N, Schrempf B, Grimpe B, Jirotka M. The role of civil society organisations in European responsible research and innovation. Journal of Responsible Innovation, 2019, 6(1): 25−49 doi: 10.1080/23299460.2018.1534508 [57] Grinberg N, Joseph K, Friedland L, Swire-Thompson B, Lazer D. Fake news on Twitter during the 2016 U.S. presidential election. Science, 2019, 363(6425) 374−378 doi: 10.1126/science.aau2706 [58] Dehmamy N, Barabási A L, Yu R. Understanding the representation power of graph neural networks in learning graph topology. In: Proceedings of the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019). Vancouver, Canada: Neural Information Processing Systems Foundation, Inc., 2019. 15413−15423 [59] Jiang T W, Zhao T, Qin B, Liu T, Chawla N V, Jiang M. Canonicalizing open knowledge bases with multi-layered meta-graph neural network. arXiv preprint arXiv: 2006.09610, 2020. [60] Wang D H, Jiang M, Syed M, Conway O, Juneja V, Subramanian S, et al. Calendar graph neural networks for modeling time structures in spatiotemporal user behaviors. arXiv preprint arXiv: 2006.06820, 2020. [61] Bar-Yam Y. Use of thermodynamics and statistical mechanics in describing the real world. New England Complex Systems Institute. 2019. [62] Bar-Yam T, Lynch O, Bar-Yam Y. The inherent instability of disordered systems. arXiv preprint arXiv: 1812.00450, 2018. [63] Morales A J, Dong X W, Bar-Yam Y, Pentland A S. Segregation and polarization in urban areas. Royal Society Open Science, 2019, 6(10): Article No. 190573 doi: 10.1098/rsos.190573 [64] Hedayatifar L, Rigg R A, Bar-Yam Y, Morales A J. US social fragmentation at multiple scales. Journal of the Royal Society Interface, 2019, 16(159): Article No. 20190509 doi: 10.1098/rsif.2019.0509 [65] Bar-Yam Y. Solving ethnic violence. New England Complex Systems Institute, 2017. [66] Jason Koebler. The world is too complicated for Donald Trump to be president, theoretical physics suggests, Motherboard, 2017. [67] Cao L B. Domain-Driven data mining: Challenges and prospects. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(6): 755−769 doi: 10.1109/TKDE.2010.32 [68] Cao L B. Non-IID recommender systems: A review and framework of recommendation paradigm shifting. Engineering, 2016, 2(2): 212−224 doi: 10.1016/J.ENG.2016.02.013 [69] Tsallis C, Tirnakli U. Predicting COVID-19 peaks around the world. Frontiers in Physics, 2020, 8: Article No. 217 doi: 10.3389/fphy.2020.00217 [70] Siegenfeld A F, Taleb N N, Bar-Yam Y. Opinion: What models can and cannot tell us about COVID-19. Proceedings of the National Academy of Sciences of the United States of America, 2020, 117(28): 16092−16095 doi: 10.1073/pnas.2011542117 [71] Siegenfeld A F, Bar-Yam Y. Eliminating COVID-19: The impact of travel and timing. arXiv preprint arXiv: 2003.10086, 2020. [72] Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: A modelling study. The Lancet, 2020, 395(10225): 689−697 doi: 10.1016/S0140-6736(20)30260-9 [73] Zhang J J, Litvinova M, Liang Y X, Wang Y, Wang W, Zhao S L, et al. Changes in contact patterns shape the dynamics of the COVID-19 outbreak in China. Science, 2020, 368(6498): 1481−1486 doi: 10.1126/science.abb8001 [74] Kraemer M U G, Yang C H, Gutierrez B, Wu C H, Klein B, Pigott D M, et al. The effect of human mobility and control measures on the COVID-19 epidemic in China. Science, 2020, 368(6490): 493−497 doi: 10.1126/science.abb4218 [75] Hammond R. Developing policies for effective COVID-19 containment: The TRACE model: Santa Fe institute [Online], available: https://www.santafe.edu/news-Center/news/laboratory-Policy, 2021-7-20 [76] Tang X J, Liu Y J. A prototype environment for group argumentation. In: Proceedings of the 3rd International Symposium on Knowledge and Systems Sciences (KSS＇ 2002). Shanghai, China: JAIST Press, 2002. 252−256 [77] 顾基发, 唐锡晋. 综合集成与知识科学. 系统工程理论与实践, 2002, 22(10): 2−7 doi: 10.3321/j.issn:1000-6788.2002.10.001Gu Ji-Fa, Tang Xi-Jin. Meta-synthesis and knowledge science. System Engineering-Theory & Practice, 2002, 22(10): 2−7 doi: 10.3321/j.issn:1000-6788.2002.10.001 [78] Tang X J, Gu J F. Systemic thinking to developing a meta-synthetic system for complex issues. In: Proceedings of the 46th Meeting of the International Society for the Systems Sciences (ISSS＇ 2002). Shanghai, China, 2002. 126. [79] Tang X J. Technologies for qualitative meta-synthesis of community consensus. In: Proceedings of the 2009 IEEE International Conference on Systems, Man and Cybernetics. San Antonio, USA: IEEE, 2009. 4657−4662 [80] Tang X J. Comprehending meta-synthesis system approach in terms of DSS, soft OR and knowledge creation. In: Proceedings of the 2010 IEEE International Conference on Systems, Man and Cybernetics. Istanbul, Turkey: IEEE, 2010. 990−997 [81] Jifa G. From D-I-K to wisdom and meta-synthesis of wisdom. In: Proceedings of the 2012 Data Mining and Intelligent Knowledge Management Workshop. Virtual Event, Singapore: ACM, 2012. Article No. 1 [82] Jifa G. Data, information, knowledge, wisdom and meta-synthesis of wisdom-comment on wisdom global and wisdom cities. Procedia Computer Science, 2013, 17: 713−719 doi: 10.1016/j.procs.2013.05.092 [83] 顾基发. 协同创新－综合集成－大成智慧. 系统工程学报, 2015, 30(2): 145−152Gu Ji-Fa. Collaborative innovation-meta-synthesis approach-meta-synthesis of wisdom. Journal of Systems Engineering, 2015, 30(2): 145−152 [84] 于景元. 从定性到定量综合集成方法及其应用. 中国软科学, 1993(5): 31−35Yu Jing-Yuan. The method of integration-from qualitative to quantitative and application. China Soft Science, 1993(5): 31−35 [85] 于景元. 钱学森的现代科学技术体系与综合集成方法论. 中国工程科学, 2001, 3(11): 10−18 doi: 10.3969/j.issn.1009-1742.2001.11.002Yu Jing-Yuan. Qian Xuesen’s contemporary system of science and technology and meta-synthesis. Engineering Science, 2001, 3(11): 10−18 doi: 10.3969/j.issn.1009-1742.2001.11.002 [86] 于景元, 周晓纪. 综合集成方法与总体设计部. 复杂系统与复杂性科学, 2004, 1(1): 20−26 doi: 10.3969/j.issn.1672-3813.2004.01.005Yu Jing-Yuan, Zhou Xiao-Ji. Meta-syntheses and department of integrative system design. Complex Systems and Complexity Science, 2004, 1(1): 20−26 doi: 10.3969/j.issn.1672-3813.2004.01.005 [87] 于景元. 钱学森综合集成体系. 西安交通大学学报(社会科学版), 2006, 26(6): 40−47Yu Jing-Yuan. Qian Xuesen’ synthesization and integration system space flight. Journal of Xi’an Jiaotong University (Social Sciences), 2006, 26(6): 40−47 [88] 于景元. 创建系统学——开创复杂巨系统的科学与技术. 上海理工大学学报, 2011, 33(6): 548−561 doi: 10.3969/j.issn.1007-6735.2011.06.011Yu Jing-Yuan. Creating systematics—science and technology to create complex giant systems. Journal of University of Shanghai for Science and Technology, 2011, 33(6): 548−561(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) doi: 10.3969/j.issn.1007-6735.2011.06.011 [89] 安小米, 马广惠, 宋刚. 综合集成方法研究的起源及其演进发展. 系统工程, 2018, 36(10): 1−13An Xiao-Mi, Ma Guang-Hui, Song Gang. Origins and evolution of meta-synthesis approach. Systems Engineering, 2018, 36(10): 1−13 [90] 宋刚, 朱慧, 童云海. 钱学森大成智慧理论视角下的创新2.0和智慧城市. 办公自动化, 2014(17): 7−13Song Gang, Zhu Hui, Tong Yun-Hai. Innovation 2.0 and smart city in perspective of metasynthetic engineering theory of Qian Xuesen. Office Automation, 2014(17): 7−13 [91] 薛惠锋, 周少鹏, 侯俊杰, 王家胜, 刘海滨, 杜红艳. 综合集成方法论的新进展——综合提升方法论及其研讨厅的系统分析与实践. 科学决策, 2019(8): 1−19Xue Hui-Feng, Zhou Shao-Peng, Hou Jun-Jie, Wang Jia-Sheng, Liu Hai-Bing, Du Hong-Yan. New development of meta-synthesis method——the system analysis of meta-synthesis-propulsion method and its practice. Scientific Decision Making, 2019(8): 1−19 [92] 胡晓峰, 司光亚. 战略决策综合集成研讨环境SDE98的体系结构. 小型微型计算机系统, 1999, 20(2): 88−91 doi: 10.3969/j.issn.1000-1220.1999.02.002Hu Xiao-Feng, Si Guang-Ya. SDE98: An environment of metasynthetic workshop for military strategic decisionmaking. Mini-Micro Systems, 1999, 20(2): 88−91 doi: 10.3969/j.issn.1000-1220.1999.02.002 [93] 苗东升. 综合集成法的认识论基础. 系统辩证学学报, 2003, 11(1): 37−42, 50 doi: 10.3969/j.issn.1005-6408.2003.01.007Miao Dong-Sheng. The epistemological foundation of the meta-synthesis. Chinese Journal of Systems Science, 2003, 11(1): 37−42, 50 doi: 10.3969/j.issn.1005-6408.2003.01.007 [94] 苗东升. 开放复杂巨系统理论: 科学性、研究现状和存在问题. 河北师范大学学报(哲学社会科学版), 2005, 28(2): 18−24 doi: 10.3969/j.issn.1000-5587.2005.02.003Miao Dong-Sheng. The theory of open, complex, and giant system: Scientific features and questions. Journal of Hebei Normal University (Philosophy and Social Sciences Edition), 2005, 28(2): 18−24 doi: 10.3969/j.issn.1000-5587.2005.02.003 [95] 苗东升. 钱学森与《实践论》——再谈复杂性科学的认识论. 西安交通大学学报(社会科学版), 2010, 30(1): 65−70Miao Dong-Sheng. Qian Xue-Sen and "on practice"-again discussing about the epistemology for complex science. Journal of Xi’an Jiaotong University (Social Sciences), 2010, 30(1): 65−70 [96] 冯国瑞. 开放复杂巨系统研究的哲学思考. 中国软科学, 1997(7): 89−93Feng Guo-Rui. Philosophical thinking on the study of open complex giant systems. China Soft Science, 1997(7): 89−93(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [97] 冯国瑞. 从定性到定量综合集成方法与唯物辩证法. 西安交通大学学报(社会科学版), 2004, 24(4): 58−66Feng Guo-Rui. Meta-synthesis and materialist dialectics. Journal of Xi＇ an Jiaotong University (Social Sciences), 2004, 24(4): 58−66 [98] 冯国瑞. 开放复杂巨系统理论的哲学探索. 北京行政学院学报, 2005(3): 77−82 doi: 10.3969/j.issn.1008-7621.2005.03.017Feng Guo-Rui. The philosophical research on the theory of open and complicated macro-system. Journal of Beijing Administrative College, 2005(3): 77−82 doi: 10.3969/j.issn.1008-7621.2005.03.017 [99] 卢明森. “从定性到定量综合集成法”的形成与发展献给钱学森院士93寿辰. 中国工程科学, 2005, 7(1): 9−16 doi: 10.3969/j.issn.1009-1742.2005.01.002Lu Ming-Sen. The formation and development of "metasynthesis". Engineering Science, 2005, 7(1): 9−16 doi: 10.3969/j.issn.1009-1742.2005.01.002 [100] 卢明森. 钱学森与思维科学. 中国工程科学, 2002, 4(2): 8−15 doi: 10.3969/j.issn.1009-1742.2002.02.002Lu Ming-Sen. Qian Xuesen and noetic science. Engineering Science, 2002, 4(2): 8−15 doi: 10.3969/j.issn.1009-1742.2002.02.002 [101] 卢明森, 鲍世行. 钱学森论大成智慧. 北京: 清华大学出版社, 2014.Lu Ming-Sen, Bao Shi-Xing. Qian Xuesen＇ s Theory Metasynthetic Wisdom. Beijing: Tsinghua University Press, 2014. [102] 卢明森, 何名申. 创新思维学引论. 北京: 高等教育出版社, 2005.Lu Ming-Sen, He Ming-Shen. Introduction to Innovative Thinking. Beijing: Higher Education Press, 2005. [103] 卢明森. 钱学森大成智慧思想的提出、形成与实践探索. 钱学森研究, 2018(1): 33−51Lu Ming-Sen. The proposal, formation and practice exploration of Qian Xuesen’s metasynthetic wisdom thought. Qian Xuesen Research, 2018(1): 33−51(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [104] 戴汝为, 郑楠. 钱学森先生时代前沿的“大成智慧”学术思想. 控制理论与应用, 2014, 31(12): 1606−1609 doi: 10.7641/CTA.2014.40764Dai Ru-Wei, Zheng Nan. Metasynthesis: The forefront academic thought of Qian Xuesen. Control Theory & Applications, 2014, 31(12): 1606−1609(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) doi: 10.7641/CTA.2014.40764 [105] 李夏, 戴汝为. 复杂性、概念系统的结构和综合集成. 中科院自动化所人工智能实验室技术报告, 中国, 1997Li Xia, Dai Ru-Wei. Complexity, Conceptual System Structure and Meta-synthetic Engineering Technical Report of Artificial Intelligence Laboratory, Institute of Automation, Chinese Academy of Sciences, China, 1997 [106] 张俊, 许沛东, 王飞跃. 平行系统和数字孪生的一种数据驱动形式表示及计算框架. 自动化学报, 2020, 46(7): 1346−1356Zhang Jun, Xu Pei-Dong, Wang Fei-Yue. Parallel systems and digital twins: A data-driven mathematical representation and computational framework. Acta Automatica Sinica, 2020, 46(7): 1346−1356 [107] Kovarik C, Lee I, Ko J M. Commentary: Position statement on augmented intelligence (AuI). Journal of the American Academy of Dermatology, 2019, 81(4): 998−1000 doi: 10.1016/j.jaad.2019.06.032 [108] Engelbart D C. Augmenting Human Intellect: A Conceptual Framework. SRI Summary Report AFOSR-3223, Doug Engelbart Institute, USA, 1962. [109] 郑南宁. “混合增强智能” 是人工智能的发展趋向. 新华日报, 2017-11-29(018)Zheng Nan-Ning. “Hybrid-Augmented Intelligence” is the Development Trend of Artificial Intelligence. Xinhua Daily, 2017-11-29(018) [110] Silver D, Huang A, Maddison C J, Guez A, Sifre L, van den Driessche G, et al. Mastering the game of Go with deep neural networks and tree search. Nature, 2016, 529(7587): 484−489 doi: 10.1038/nature16961 [111] Dellermann D, Ebel P, Söllner M, Leimeister J M. Hybrid intelligence. Business & Information Systems Engineering, 2019, 61(5): 637−643 [112] 李平, 杨政银. 人机融合智能: 人工智能3.0. 清华管理评论, 2018(Z2): 73−82Li Ping, Yang Zheng-Yin. Human-machine fusion intelligence: Artificial intelligence 3.0. Tsinghua Business Review, 2018(Z2): 73−82(查阅所有网上资料, 未找到本条文献英文翻译, 请联系作者确认) [113] Kambhampati S. Challenges of human-aware AI systems. arXiv preprint arXiv: 1910.07089, 2019. 期刊类型引用(24)
1. 莫家业，韦荣转，丁晓明. 职业院校教师人工智能焦虑的现实表征、生成机理与纾解路向. 职业教育研究. 2025(01): 66-74 . 
百度学术2. 崔皓鑫，王嵘，郑楠，章颂，任瞳，梁渝靖. 基于“人-机-环”信息流的机器人手术系统研究与展望. 模式识别与人工智能. 2024(01): 47-57 . 百度学术3. 焦利敏，曲宗峰，李红伟，石文鹏，张作强. 基于钱学森系统工程体系的智慧生活系统模型研究及典型应用. 家电科技. 2024(03): 52-56 . 百度学术4. 白成超，张琦，谢旭东，颜鹏，郭继峰. 面向复杂决策的OODA环：智能赋能与认知增强. 指挥与控制学报. 2024(03): 284-297 . 百度学术5. 翟东航，张庆国，孙占臣. 智库化情报导视与军队院校为战育人战略决策互动. 国防科技. 2024(04): 118-126 . 百度学术6. 葛承垄，贾晨星，明月伟. 作战概念开发框架研究. 指挥控制与仿真. 2024(06): 1-7 . 百度学术7. 孙飞翔，武虹，高洁. 基于综合集成思想的数据驱动型科技智库建设模式研究. 知识管理论坛. 2024(05): 477-486 . 百度学术8. 陈德旺，刘俐俐，赵文迪，欧纪祥，孙艳焱，郑楠. 基于模糊系统的定性与定量知识的综合集成. 智能科学与技术学报. 2024(04): 445-455 . 百度学术9. 卢振宇，郝文宁，陈锦阳. 基于综合集成研讨厅的火力打击方案评估优选系统. 指挥信息系统与技术. 2023(01): 75-80 . 百度学术10. 谢宇鹏，张千宇，周伟荣. 综合集成研讨厅的信息化课程教学设计. 电子技术. 2023(03): 246-247 . 百度学术11. 卢振宇，郝文宁，陈锦阳. 联合火力打击方案优选系统研究. 舰船电子工程. 2023(01): 5-8+46 . 百度学术12. 黄智捷，王维平，朱一凡，李小波，周鑫. 面向战略规划评估的知识计算技术. 系统工程学报. 2023(02): 275-282 . 百度学术13. 余宋，姚曼，孟永斌，徐晓婉，万迁迁，李戬，翟笑枫. 肝内胆管癌中医证候诊断模型初步构建. 中医肿瘤学杂志. 2023(04): 41-49 . 百度学术14. 罗俊仁，张万鹏，项凤涛，蒋超远，陈璟. 智能推演综述：博弈论视角下的战术战役兵棋与战略博弈. 系统仿真学报. 2023(09): 1871-1894 . 百度学术15. 吴书逸. 面向多源异构数据融合的反诈大数据平台建设路径研究. 北京警察学院学报. 2023(04): 97-105 . 百度学术16. 刘冬，王维平，王涛，周鑫，黄美根. 面向战略决策的预实践平台. 国防科技. 2023(04): 86-91 . 百度学术17. 王维平，李小波，王涛，何华，黄美根，王彦锋. 面向规划评估的战略管理人才预实践培养方法. 高等教育研究学报. 2022(01): 24-29 . 百度学术18. 叶含瑞，张玲玲，季续国. 基于综合集成方法的设备故障诊断及其应用. 科技促进发展. 2022(03): 425-436 . 百度学术19. 张潮，冷伏海. 机器学习辅助智能决策分析——以“绿色创新”问题为例. 科研管理. 2022(09): 32-40 . 百度学术20. 曾召文，邓芸，陈利群，黄雪蕾，张群. 系统论视域下中小学教师培训供需匹配机制的辨析与重构. 中小学教师培训. 2022(10): 12-16 . 百度学术21. 郑楠，章颂，戴汝为. “人-机结合”的综合集成研讨体系. 模式识别与人工智能. 2022(09): 767-773 . 百度学术22. 王连峰，宋刚，刘志，朱慧，童云海，张楠，安小米，张海博，王璐，付金辉. 城市管理综合执法大数据平台的设计与实现. 网络安全与数据治理. 2022(12): 55-65 . 百度学术23. 郑新奇，郑敏睿，肖飞. 我国自然资源信息化的发展演化与展望. 自然资源信息化. 2022(06): 1-7 . 百度学术24. 陈一飞，田见晖，赵要凤，张树川. 数字经济视角下智慧农业关键核心技术突破路径. 新经济导刊. 2021(04): 22-29 . 百度学术其他类型引用(2)
-
下载:
计量
- 文章访问数: 2261
- HTML全文浏览量: 988
- PDF下载量: 495
- 被引次数: 26
