【ASSIA】『深度与宽度强化学习』前沿讲习班第一天详细日程及安排

陈俊龙教授

1 陈俊龙 教授 
澳门大学

题目：从深度强化学习到宽度强化学习：结构，算法，机遇及挑战

简介：陈俊龙（C. L. Philip Chen）博士，澳门大学讲座教授，科技学院前院长，中国自动化学会副理事长及会士，澳门科协副会长。是IEEE Fellow，美国科学促进会AAAS Fellow， 国际系统及控制论科学院 IASCYS 院士，香港工程师学会 Fellow，国家千人学者、国家特聘专家。陈教授现任 IEEE系统人机及智能学会的期刊主编，曾任该学会国际总主席。陈教授主要科研在智能系统与控制，计算智能，混合智能，数据科学方向。在2018年“计算机科学学科”高被引用文章数目学者中世界排名在前17名。详见 https://orcid.org/0000-0001-5451-7230 。陈教授获 IEEE 学会颁发了4次杰出贡献奖，是美国工学技术教育认证会( ABET)的评审委员。 澳门大学工程学科及计算机工程获得国际【华盛顿协议】的认证是陈教授对澳门工程教育的至高贡献。担任院长期间带领澳门大学的工程学科及计算机学科双双进入世界大学学科排名前200名。2016年他获得了母校，美国普度大学的杰出电机及计算机工程奖。

摘要：本座谈讨论强化学习的结构及理论，包括马尔科夫决策过程、强化学习的数学表达式、策略的构建、估计及预测未来的回报。也会讨论如何用深度神经网络学习来稳定学习过程及特征提取、如何利用宽度学习结构跟强化学习结合。最后会讨论深度、宽度强化学习带来的机遇与挑战。

宋士吉教授

2 宋士吉 教授 
清华大学

题目：基于强化学习的深海机器人智能搜索与运动控制方法

简介：宋士吉，清华大学自动化系教授、博士生导师。1996年获得哈尔滨工业大学数学博士学位；1996至2000年，在中国海洋大学物理海洋专业、东南大学控制理论与应用专业2次完成博士后研究。长期从事复杂制造系统建模优化与控制技术、机器学习与故障诊断、水下机器人智能控制等方向研究工作。在国内外重要学术期刊会议发表论文200余篇，其中IEEE Transactions 系列期刊长文、国际著名专业期刊SCI检索论文近100篇，担任《IEEE T SMC:Systems》，《中国科学-信息科学》及《自动化学报》等期刊编委，《人工智能与机器人研究》副主编。获得教育部自然科学二等奖励2项，黑龙江生自然科学二等奖1项，江苏省自然科学一等奖1项。主持完成了国家自然科学基金重大科学仪器研制项目、重点项目、面上项目、科技部重点专项、中国大洋协会专项课题等30余项。

摘要：阐述强化学习在深海机器人智能搜索与运动控制领域的算法研究及其应用，从热液羽状流智能搜索与深海机器人运动控制两个方面开展工作。 在热液羽状流智能搜索方面，研究基于强化学习和递归网络的羽状流追踪算法。利用传感器采集到的流场与热液信号信息，将机器人搜索热液喷口的过程建模为状态行为域连续的马尔科夫决策过程，通过强化学习算法得到机器人艏向的最优控制策略。 在深海机器人运动控制方面，研究基于强化学习的轨迹跟踪与最优深度控制算法。在机器人系统模型未知的情况下，将控制问题建模成连续状态动作空间的马尔可夫决策过程，并构建评价网络与策略网络，通过确定性策略和神经网络学习得到最优控制策略。

侯忠生教授

3 侯忠生 教授 
北京交通大学

题目：数据驱动的自适应学习控制

简介：侯忠生，北京交通大学自动控制系主任、教授，卓越百人计划“领军人才”入选者。IEEE Senior Member、IFAC Technical Committee "Adaptive and Learning Systems" 委员、IFAC Technical Committee "Transportation Systems"委员。中国自动化学会“数据驱动控制、学习与优化”专业委员会创始主任。“自动化学报”、“控制理论与应用”、“控制与决策”、“系统科学与数学”编委；曾是IEEE神经元网络与学习系统会刊“基于数据的控制、决策、调度与故障诊断”专刊客座编委； IEEE工业电子学会刊专刊“数据驱动控制与学习系统”责任客座编委。H指数34。代表性科研项目：主持国家自然科学基金重点项目2项，国家自然科学基金重大国际合作项目1项。在控制理论研究领域提出了“无模型自适应控制”、“数据驱动控制”、“动态线性化技术”、“伪偏导数”、“伪梯度”、“伪Jacobian矩阵”，等新概念，并被广泛认可。

摘要：本报告分为以下4部分：第1部分主要介绍迭代轴上的学习控制；第2部分主要介绍时间轴上的学习控制，既无模型自适应控制；第3部分主要介绍学习控制的统一框架；第4部分是结论。

季向阳教授

4季向阳 教授 

清华大学

题目：强化学习及智能控制与决策

简介：季向阳，清华大学自动化系教授，信息科学与技术国家研究中心智能科学部主任，研究方向为机器学习与图像处理。国家杰出青年科学基金与“万人计划”领军人才。担任中国人工智能学会深度学习专委会主任、中国电子学会人工智能与无人系统青年专委会主任。近年来发表SCI/EI论文100余篇；申请国家发明专利49项（授权33项），申请国际发明专利16项（授权8项）；获国家科技进步二等奖与国家技术发明一等奖各1项（排名2）。

陈霸东教授

5 陈霸东 教授 

西安交通大学

题目：核自适应滤波与宽度学习

简介：陈霸东，西安交通大学教授，博导，陕西省“百人计划”特聘教授。2008年毕业于清华大学计算机专业获博士学位，2008年7月至2010年9月在清华大学精密仪器与机械学系做博士后研究，2010年10月至2012年9月在美国佛罗里达大学 电气与计算机工程系做博士后研究，2015年7月到8月在新加坡南洋理工大学做访问科学家。研究兴趣包括信号处理、机器学习、人工智能、脑机接口等。目前发表学术论文200多篇，其中SCI收录期刊论文120余篇，发表在IEEE TSP, IEEE TNNLS, IEEE SPL, AUTOMATICA 等著名国际期刊。第一作者撰写的英文专著（Elsevier出版社）被国际计算评论（Computing Reviews）评选为2013年Notable Book。Google Scholar Citations 中论文被引2500多次，8篇论文获“ESI高被引论文”。获2018年度陕西省高等学校科学技术奖励一等奖（排名第1）。陈教授是IEEE高级会员，担任IEEE Trans. on Neural Networks and Learning Systems与IEEE Trans. on Cognitive and Developmental Systems的编委(Associate Editor)以及IEEE面向信号处理的机器学习(Machine Learning for Signal Processing) 技术委员会委员与IEEE认知与发展系统(Cognitive and Developmental Systems)技术委员会委员（Technical Committee Member）。作为项目负责人承担了国家自然科学基金重点、面上、青年和973课题等多项重要科研项目。

摘要：核自适应滤波器（Kernel Adaptive Filters）是近年来兴起的在可再生核希尔伯特空间（RKHS）中实现的一类非线性自适应滤波器，其拓扑结构为线性增长的单隐层神经元网络。其基本思想是：首先，将输入信号映射到高维核空间；然后，在核空间中推导线性滤波算法；最后，利用核技巧（Kernel Trick）得到原信号空间中非线性滤波算法。与传统非线性滤波器比较，核自适应滤波器具有以下优点：（a）如果选取严格正定的Mercer核函数，具有万能逼近能力；（b）性能曲面在高维核空间中具有凸性，因此理论上不具局部极值；（c）隐节点由数据驱动生成，减少了人工参与；（d）具有自正则性（Self-regularization），可有效防止过拟合。因此，核自适应滤波概念提出以后引起了国内外研究者广泛兴趣，越来越多的相关算法被提出，并被应用到诸多领域。核自适应滤波与最近兴起的宽度学习（Broad Learning）关系密切，可以认为是一类基于核方法的宽度学习算法。本报告将深入系统地阐述核自适应滤波的基本思想、主要算法、性能分析、典型应用，以及如何将其与宽度学习纳入统一框架。

往期文章推荐

人工智能名人堂第49期 | 斯坦福研究院名人堂成员：Peter E. Ha

🔗【通知】中国智联网大会、IEEE 人工智能与控制论国际研讨会 会议通知

🔗【省级学会】厦门市自动化学会助力厦门大学嘉庚学院及厦大附中共建青少年科技知识普及教育项目！

🔗【通知】2018智能汽车跨界融合高峰论坛邀请函

🔗【通知】菲尼克斯智能技术创新与应用大赛即将启动！

🔗 【CAC2018】2018中国自动化大会论文投稿截至日期变更通知

🔗 【通知】关于2018年度CAA科学技术奖励推荐工作的通知

🔗 【重要通知】2018智能汽车跨界融合高峰论坛将于6月28日在江苏常熟召开

🔗【IV18】第29届IEEE国际智能车大会将于6月26号召开

🔗【重要通知】“第一届军事大数据论坛”征文

🔗【重磅】图解中国自动化学会！