Journal of Zhejiang University

Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.

FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.

Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018), 1.604 (2019), 2.161 (2020), 2.526 (2021).

Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online), monthly

2017 Vol.18 No.1 P.1-152

<<< CONTENTS >>>

Special Issue on Artificial Intelligence 2.0

Guest Editor-in-Chief: Yun-he PAN

Editorial

Editorial: Special issue on artificial intelligence 2.0

Yun-he Pan

DOI: 10.1631/FITEE.1710000 Downloaded: 3454 Clicked: 7204 Cited: 1 Commented: 1(p.1-2) <Full Text>

Review Articles

Review: Challenges and opportunities: from big data to knowledge in AI 2.0

Yue-ting Zhuang, Fei Wu, Chun Chen, Yun-he Pan

DOI: 10.1631/FITEE.1601883 Downloaded: 4079 Clicked: 7619 Cited: 4 Commented: 0(p.3-14) <Full Text> <PPT> 2203

Chinese summary <301> 挑戰與希望：AI2.0時代從大(dà)數據到知(zhī)識

概要：本文對大(dà)數據時代人工(gōng)智能領域近期出現的若幹理論和技術進展進行了綜述。我(wǒ)們認爲，将數據驅動機器學習方法與人類的常識先驗與隐式直覺有效結合起來，可實現可解釋、更魯棒和更通用的人工(gōng)智能。AI 2.0時代大(dà)數據人工(gōng)智能具體(tǐ)表現爲：從淺層計算到深度神經推理；從單純依賴于數據驅動的模型到數據驅動與知(zhī)識引導相結合學習；從領域任務驅動智能到更爲通用條件下(xià)的強人工(gōng)智能（從經驗中(zhōng)學習）。下(xià)一(yī)代人工(gōng)智能（AI 2.0）将改變計算本身，将大(dà)數據轉變爲知(zhī)識以支持人類社會作出更好決策。

關鍵詞組：深度推理；知(zhī)識庫擴充；強人工(gōng)智能；大(dà)數據；跨媒體(tǐ)

Review: Crowd intelligence in AI 2.0 era

Wei Li, Wen-jun Wu, Huai-min Wang, Xue-qi Cheng, Hua-jun Chen, Zhi-hua Zhou, Rong Ding

DOI: 10.1631/FITEE.1601859 Downloaded: 5108 Clicked: 6907 Cited: 1 Commented: 0(p.15-43) <Full Text>

Chinese summary <206> AI2.0時代的群體(tǐ)智能

概要：基于互聯網的信息物(wù)理世界深刻地改變了人工(gōng)智能（artificial intelligence, AI）發展的信息環境，将人工(gōng)智能研究的新浪潮推進到人工(gōng)智能2.0新紀元。作爲AI2.0時代最突出的研究特點之一(yī)，群體(tǐ)智能引起了産業界和學術界的廣泛關注。具體(tǐ)來說，爲應對挑戰，群體(tǐ)智能提供了一(yī)種通過聚集群體(tǐ)的智慧解決問題的新模式。特别是由于共享經濟的快速發展，群體(tǐ)智能不僅成爲了解決科學難題的新途徑，而且也已融入日常生(shēng)活的各個方面，例如線上到線下(xià)（online-to-offline, O2O）應用、實時交通監控、以及物(wù)流管理。本文對現有群體(tǐ)智能研究成果進行總結和綜述：首先，論述了群體(tǐ)智能的基本概念，并對其與現有相關概念（如衆包和人本計算）的關系進行了解釋。然後，介紹了四類具有代表性的群體(tǐ)智能平台，總結了三項核心問題以及最新的群體(tǐ)智能技術。最後，讨論了群體(tǐ)智能研究的未來發展方向。

關鍵詞組：群體(tǐ)智能；人工(gōng)智能2.0（AI2.0）；衆包；人本計算

Review: Cross-media analysis and reasoning: advances and directions

Yu-xin Peng, Wen-wu Zhu, Yao Zhao, Chang-sheng Xu, Qing-ming Huang, Han-qing Lu, Qing-hua Zheng, Tie-jun Huang, Wen Gao

DOI: 10.1631/FITEE.1601787 Downloaded: 3097 Clicked: 6462 Cited: 1 Commented: 0(p.44-57) <Full Text> <PPT> 2173

Chinese summary <239> 跨媒體(tǐ)分(fēn)析與推理：研究進展與發展方向

概要：跨媒體(tǐ)分(fēn)析與推理是計算機科學的熱點問題，也是人工(gōng)智能中(zhōng)一(yī)個具有廣闊前景的研究方向。目前，尚未有文獻對跨媒體(tǐ)分(fēn)析與推理的現有方法進行歸納總結并給出它的研究進展、挑戰及發展方向。爲解決這些問題，本文從七個方面進行綜述：（1）跨媒體(tǐ)統一(yī)表征理論與模型；（2）跨媒體(tǐ)關聯理解與深度挖掘；（3）跨媒體(tǐ)知(zhī)識圖譜構建與學習方法；（4）跨媒體(tǐ)知(zhī)識演化與推理；（5）跨媒體(tǐ)描述與生(shēng)成；（6）跨媒體(tǐ)智能引擎；（7）跨媒體(tǐ)智能應用。本文的目标是給出跨媒體(tǐ)分(fēn)析與推理的方法、進展以及發展方向，吸引更多人關注該領域的最新進展，通過探讨面臨的挑戰和研究方向，爲研究者提供重要參考。

關鍵詞組：跨媒體(tǐ)分(fēn)析；跨媒體(tǐ)推理；跨媒體(tǐ)應用

Review: Towards human-like and transhuman perception in AI 2.0: a review

Yong-hong Tian, Xi-lin Chen, Hong-kai Xiong, Hong-liang Li, Li-rong Dai, Jing Chen, Jun-liang Xing, Jing Chen, Xi-hong Wu, Wei-min Hu, Yu Hu, Tie-jun Huang, Wen Gao

DOI: 10.1631/FITEE.1601804 Downloaded: 3021 Clicked: 8019 Cited: 2 Commented: 0(p.58-67) <Full Text> <PPT> 2218

Chinese summary <119> AI2.0時代的類人與超人感知(zhī)：研究綜述與趨勢展望

概要：感知(zhī)是智能系統與現實世界的交互界面。如果沒有複雜(zá)而靈活的感知(zhī)能力，就不可能創造出高級的人工(gōng)智能（Artificial intelligence, AI）系統。最近，潘雲鶴院士提出了AI2.0的概念，其最重要的特征就是未來的AI系統應擁有類人甚至超人的智能感知(zhī)能力。本文簡要回顧了不同智能感知(zhī)領域的研究現狀，包括視覺感知(zhī)、聽(tīng)覺感知(zhī)、言語感知(zhī)、感知(zhī)信息處理與學習引擎等方面。在此基礎上，論文對即将到來的AI 2.0時代智能感知(zhī)領域需要大(dà)力研究發展的重點方向進行了展望，包括：（1）類人和超人的主動視覺；（2）自然聲學場景的聽(tīng)知(zhī)覺感知(zhī)；（3）自然交互環境的言語感知(zhī)及計算；（4）面向媒體(tǐ)感知(zhī)的自主學習；（5）大(dà)規模感知(zhī)信息處理與學習引擎；（6）城市全維度智能感知(zhī)推理引擎。這些研究方向應在未來AI2.0的研究規劃中(zhōng)進行重點布局。

關鍵詞組：智能感知(zhī)；主動視覺；聽(tīng)覺感知(zhī)；言語感知(zhī)；自主學習

Review: Current trends in the development of intelligent unmanned autonomous systems

Tao Zhang, Qing Li, Chang-shui Zhang, Hua-wei Liang, Ping Li, Tian-miao Wang, Shuo Li, Yun-long Zhu, Cheng Wu

DOI: 10.1631/FITEE.1601650 Downloaded: 4701 Clicked: 9082 Cited: 1 Commented: 0(p.68-85) <Full Text>

Chinese summary <107> 智能無人自主系統發展趨勢

概要：智能無人自主系統是人工(gōng)智能的重要應用之一(yī)，其發展可大(dà)大(dà)推動人工(gōng)智能技術的創新。本文通過其主要成就介紹了智能無人自主系統的發展趨勢。并且，本文将相關技術分(fēn)成了7個領域，包括人工(gōng)智能技術、無人車(chē)、無人機、服務機器人、空間機器人、海洋機器人和無人車(chē)間/智能工(gōng)廠。本文對每個領域的發展趨勢進行了介紹。

關鍵詞組：智能無人自主系統；無人車(chē)；人工(gōng)智能；機器人學；發展趨勢

Review: Applications of artificial intelligence in intelligent manufacturing: a review

Bo-hu Li, Bao-cun Hou, Wen-tao Yu, Xiao-bing Lu, Chun-wei Yang

DOI: 10.1631/FITEE.1601885 Downloaded: 6169 Clicked: 8321 Cited: 4 Commented: 0(p.86-96) <Full Text>

Chinese summary <121> 人工(gōng)智能在智能制造領域的應用研究

概要：本文基于作者團隊近年來在人工(gōng)智能技術應用于制造領域的研究與實踐，首先，簡析了"互聯網+人工(gōng)智能"時代核心技術飛速發展正引發制造領域的模式、手段和生(shēng)态系統的重大(dà)變革以及人工(gōng)智能的新發展。接着基于人工(gōng)智能技術與信息通信技術、制造技術及産品有關專業技術等融合，研究提出了智能制造新模式、新手段、新業态，智能制造系統體(tǐ)系架構和智能制造系統技術體(tǐ)系。進而，從智能制造的應用技術、産業和應用示範等角度，簡述智能制造領域的國内外(wài)發展現狀。最後，針對我(wǒ)國人工(gōng)智能2.0在智能制造領域應用研究内容提出了建議。

關鍵詞組：人工(gōng)智能；智能制造；智能制造系統

Research Articles

Disambiguating named entities with deep supervised learning via crowd labels

Le-kui Zhou, Si-liang Tang, Jun Xiao, Fei Wu, Yue-ting Zhuang

DOI: 10.1631/FITEE.1601835 Downloaded: 2746 Clicked: 7299 Cited: 2 Commented: 0(p.97-106) <Full Text> <PPT> 2066

Chinese summary <69> 基于衆包标簽數據深度學習的命名實體(tǐ)消歧算法

概要：命名實體(tǐ)消歧主要研究如何将存在歧義的文本描述映射到其對應知(zhī)識庫（例如Wikipedia）中(zhōng)的實體(tǐ)。本文結合群體(tǐ)智能（即群體(tǐ)用戶生(shēng)成的标簽）和深度學習（即數據驅動學習），提出了在命名實體(tǐ)消歧過程中(zhōng)生(shēng)成區别度更高的特征方法。具體(tǐ)來說，通過設計一(yī)個衆包模型，學習文本描述或實體(tǐ)所對應"衆包特征"，然後利用"衆包特征"對動态卷積神經網絡（Dynamic convolutional neural network, DCNN）進行優化，最後用優化得到的DCNN來提取"深度衆包特征"，以此來解決傳統命名實體(tǐ)消歧算法中(zhōng)單獨依賴手工(gōng)設計特征的不足。本文所提出方法巧妙将群體(tǐ)認知(zhī)（由衆包标簽反映）結合到命名實體(tǐ)消歧深度學習框架中(zhōng)。實驗分(fēn)析表明，當有足夠多衆包标簽時，所提出方法優于傳統手工(gōng)設計特征。

關鍵詞組：命名實體(tǐ)消歧；衆包計算；深度學習

Friendship-aware task planning in mobile crowdsourcing

Yuan Liang, Wei-feng Lv, Wen-jun Wu, Ke Xu

DOI: 10.1631/FITEE.1601860 Downloaded: 2385 Clicked: 5861 Cited: 1 Commented: 0(p.107-121) <Full Text> <PPT> 1811

Chinese summary <51> 移動衆包環境下(xià)基于友誼度的任務規劃

概要：最近，衆包平台已吸引了大(dà)量的注冊用戶在線下(xià)執行特定的任務。然而，大(dà)部分(fēn)現有方法僅考慮了工(gōng)人和任務信息都已提前獲知(zhī)的情況（靜态離(lí)線情景），而較少考慮到工(gōng)人動态抵達的情況（動态在線情景）。因此，當工(gōng)人動态抵達時，如何給工(gōng)人安排适合的任務以獲得其最大(dà)的滿意度成爲了一(yī)個具有挑戰性的問題。爲解決這一(yī)問題，本文提出了一(yī)種有用并且普遍的人工(gōng)-任務模型，該模型不僅考慮在靜态離(lí)線時給工(gōng)人安排任務的情況，還同時考慮了在工(gōng)人動态抵達時如何給工(gōng)人安排合适的任務。在本文中(zhōng)，爲解決靜态離(lí)線情景下(xià)的任務分(fēn)配問題，我(wǒ)們首先提出一(yī)個有效的貪心算法。由于貪心算法極易陷入局部最優，我(wǒ)們又(yòu)加入了模拟退火(huǒ)法來提高貪心算法的性能。另外(wài)，爲解決動态在線情景下(xià)的分(fēn)配問題，我(wǒ)們提出了一(yī)種貪心算法。最後，在真實數據集和具有不同分(fēn)布人造數據集上進行了大(dà)量實驗，實驗結果驗證了算法的效果與性能。

關鍵詞組：移動衆包；任務規劃；貪心算法；模拟退火(huǒ)

A vision-centered multi-sensor fusing approach to self-localization and obstacle perception for robotic cars

Jian-ru Xue, Di Wang, Shao-yi Du, Di-xiao Cui, Yong Huang, Nan-ning Zheng

DOI: 10.1631/FITEE.1601873 Downloaded: 3547 Clicked: 6424 Cited: 3 Commented: 0(p.122-138) <Full Text> <PPT> 1810

Chinese summary <73> 無人車(chē)自主定位和障礙物(wù)感知(zhī)的視覺主導多傳感器融合方法

概要：人類駕駛與自主駕駛在對交通環境的理解方式上有着明顯差别。首先，人主要通過視覺來理解交通場景，而機器感知(zhī)需要融合多種異構的傳感信息才能保證行車(chē)安全。其次，一(yī)個熟練的駕駛員(yuán)可以輕松适應各種動态交通環境，但現有的機器感知(zhī)系統卻會經常輸出有噪聲的感知(zhī)結果，而自主駕駛要求感知(zhī)結果近乎100%準确。本文提出了一(yī)種用于無人車(chē)交通環境感知(zhī)的視覺主導的多傳感器融合計算框架，通過幾何和語義約束融合來自相機、激光雷達（LIDAR）及地理信息系統（GIS）的信息，爲無人車(chē)提供高精度的自主定位和準确魯棒的障礙物(wù)感知(zhī)，并進一(yī)步讨論了已成功集成到上述框架内的魯棒的視覺算法，主要包括從訓練數據收集、傳感器數據處理、低級特征提取到障礙物(wù)識别和環境地圖創建等多個層次的視覺算法。所提出的框架裏已用于自主研發的無人車(chē)，并在各種真實城區環境中(zhōng)進行了長達八年的實地測試，實驗結果驗證了視覺主導的多傳感融合感知(zhī)框架的魯棒性和高效性。

關鍵詞組：視覺感知(zhī)；自主定位；地圖構建；運動規劃；無人車(chē)

Coalition formation based on a task-oriented collaborative ability vector

Hao Fang, Shao-lei Lu, Jie Chen, Wen-jie Chen

DOI: 10.1631/FITEE.1601608 Downloaded: 2492 Clicked: 5933 Cited: 1 Commented: 0(p.139-148) <Full Text> <PPT> 1826

Chinese summary <52> 基于面向任務的協同特征向量的聯盟形成算法

概要：聯盟形成是多智能體(tǐ)系統中(zhōng)一(yī)個重要的協同問題，對智能體(tǐ)的協同能力進行适當的描述是處理這個問題的一(yī)個基本且必要的前提。這篇文章對智能體(tǐ)的協同能力進行了建模，該模型由五個影響因素構成。同時，對任務需求向量進行了描述。提了一(yī)種随機機制以減少聯盟形成過程中(zhōng)的過度競争。此外(wài)，爲了減少任務需求和實際任務需求之間的差距，提出了一(yī)種人工(gōng)智能方法，該方法可以提高多智能體(tǐ)對人類指令的認知(zhī)。實驗結果顯示了該模型及分(fēn)布式人工(gōng)智能方法的有效性。

關鍵詞組：協同向量；任務分(fēn)配；多智能體(tǐ)系統；聯盟形成；人工(gōng)智能

A swarm intelligence design based on a workshop of meta-synthetic engineering

Bo-hu Li, Hui-yang Qu, Ting-yu Lin, Bao-cun Hou, Xiang Zhai, Guo-qiang Shi, Jun-hua Zhou, Chao Ruan

DOI: 10.1631/FITEE.1700002 Downloaded: 2324 Clicked: 5800 Cited: 1 Commented: 0(p.149-152) <Full Text> <PPT> 1657

Chinese summary <60> 基于綜合集成研讨廳的群體(tǐ)智能設計研究

概要：本文提出了一(yī)種基于綜合集成研讨廳的群體(tǐ)智能設計技術，包括系統的體(tǐ)系架構、基于綜合集成研讨的設計決策過程以及設計資(zī)源推送技術，最後在對本文工(gōng)作進行總結的基礎上，對下(xià)一(yī)步研究方向進行了展望。

關鍵詞組：綜合集成研讨廳；群體(tǐ)智能；設計資(zī)源推送