【学科发展报告】控制科学与工程学科发展现状及趋势（四）

2018 年 9 月 6 日 中国自动化学会

学科发展趋势与展望

自动化学科发展到现在，除了已有研究的持续进展外，其研究热点主要表现在交叉学科的兴起上，以及在新技术的具体应用上。在未来的一段时间之内，自动化学科的发展仍旧会持续这种态势。

对于仿真实用系统开发方法，研究并设计可重用性高、集成度高、可扩展性好的系统开发方法，是当前探索的一个新方向。随着信息化和人工智能技术的发展、大数据技术的应用，实现数据驱动的知识表达和可视化展现是仿真系统应用的必然。然而，数据驱动控制、学习与优化的研究还不够充分，理论研究尚处于探索阶段，特别是缺乏系统性的成果。

应用工业大数据降低制造型企业成本，建立基于智能化方法的电子设备制造过程，研究如何有效利用大量的离线、在线数据和知识，实现基于数据驱动的控制器设计，实现生产过程和设备的优化控制、预报和评价具有重要的理论与现实意义。

在全球环境问题日益突出的背景下，自动化技术在环境保护中的应用显得尤为重要。从控制科学与工程的角度来看，城市三废处理过程中的建模、控制、优化等自动化技术的应用对处理效果具有决定性的作用。

在智能机器人蓬勃发展的同时，我们应横向对比国外的相关发展战略，结合我国社会发展现状，制定符合我国国情的智能机器人发展路线图，为后续智能机器人研究提供系统、明确的发展目标，为相关科技政策的制定提供政策建议，为相关项目的布局和规划提供依据。建筑智能化与机器人技术研究具有明显的行业特色和应用导向的特点。因此，建筑机器人研究一定要结合建筑业的实际情况和需求，以便更好地融入实际建筑任务，形成人、机和环境的统一整体。

复杂系统是《国家中长期科学和技术发展规划纲要（2006 — 2020年）》中的十个基础研究方向之一，其研究对象往往涉及国家重大战略需求的相关领域。应用证明，平行控制与平行管理方法、自适应动态规划方法对解决兼有工程复杂性和社会复杂性的复杂系统行为分析和管控问题十分有效。为保持我国在平行控制与管理前沿研究和重大战略应用方面的领先优势，应继续加强基础理论研究，解决越来越多种类复杂系统平行控制与管理的科学问题；应继续加强核心技术研究，解决越来越多种类平行管理与控制系统的标准化和规模化建造问题；应继续扩大和加强应用实践，在零散的应用实践基础上，逐步建成若干重点行业的平行管理与控制的整体解决方案，实现全行业规模化应用。

模式识别和机器学习是最具活力的研究领域，海量多源异构数据的处理与应用、基于深度学习的语音识别、分类以及强化学习等是未来重要发展方向。

在多媒体分析方面，多源异质地理多媒体数据知识挖掘、多媒体社会事件分析、基于外部知识的多媒体描述生成、多网络群组行为对抗、开源媒体信息的社会信号分析、以及从宏观层面上向个体层面转变的跨媒体网络分析都是未来的发展趋势。在脑机接口技术方面，随着“脑科学和类脑研究”被列入“十三五”规划纲要，未来脑机接口技术将重点围绕脑机智能和脑健康两个应用领域，借助低成本高性能便携信号采集设备、关键信号分析与处理算法等突破，脑机接口的产业化是未来的趋势。

在计算机视觉方面，多学科领域知识交叉、多传感信息鲁棒融合、多维度视觉信息演化推理及预测、多视觉任务系统级有机集成、更大规模数据集精准标注等是未来的主要发展趋势。

在生物信息学领域，我国科学家在基因组学和合成生物学技术方面已经取得国际领先的成果，伴随着相关学科的发展，多学科的交叉会促使我国在生物信息学领域的研究和应用进入国际前沿行列。

在智能楼宇方面，我国把智能楼宇建设纳入了重要议程。运用智能化技术进行规范化、标准化、集约化设计，实现安全、舒适、高效的工作和生活空间，是未来的发展方向。

系统科学学界尤其注重和实际应用的链接。我国的相关科研人员能够通过此来体现系统科学的价值，并在此基础上，积极探索和其他领域的合作，积极探索和相关企业部门的合作，积极探索其在社会各方面的运用，推动系统科学的应用研究。

我国流程工业发展趋势是在两化深度融合基础上实现智能制造。借助大数据、云计算、物联网等技术，以人工智能驱动的自动化为主线，推动全流程精准建模和分析，打造贯穿全流程生产、全供应链运营、全生命周期管控的一体化控制决策平台，实现制造过程智能化和绿色化的目标，提升企业经济效益和社会效益，最终实现流程工业升级转型。

智能交通系统的未来发展中，自动化技术仍将发挥核心作用，智能交通系统重点发展的方向有：单一来源的数据采集和传感技术向多源数据融合的环境感知技术拓展；物理世界和虚拟世界互相融合，二者共同形成新一代的智能交通控制技术的基础平台；深度学习、知识发现、人工智能等技术在智能交通系统中的广泛应用，以知识获取、分析、学习为核心的智能交通知识自动化很可能成为新的行业。

网络信息服务方面，随着人工智能和深度学习的不断深入，当前互联网基础设施的不断完善和提升，应用创新和商业模式创新层出不穷，互联网企业将掀起新一波信息服务浪潮，消费互联网迅猛增长，产业互联网步伐进一步加快，互联网加速向金融、交通、教育、影视等传统领域渗透。

智能控制技术正在自动化领域掀起一波新的浪潮。深度学习，强化学习这些技术，极具高精度建模，以及强鲁棒、强自适应和强自学习控制的潜在能力。为了达成这一目标，我们需要充分利用近年来提出的智能控制新技术、新方法，实现航天器 / 航空器由“弱”智能到“强”智能的技术跨越，使得航天器全面满足人类太空探索和利用的需求。

人工智能领域的未来发展，将主要围绕人工智能前沿基础、智能自主运动体、复杂过程智能优化决策三大方向，探讨人类认知行为的信息处理机制，具有认知功能的新型计算架构，自主运动体的高效感知与增强智能，复杂任务规划与推理决策等方面的基础理论和关键技术。人工智能技术的重大突破和重要进展，将引发其他科学技术的突破，推动人类社会步入智能化时代。

对于动态系统的故障诊断和容错控制技术，微小故障诊断和容错控制、间歇故障诊断与容错控制、闭环系统故障诊断与容错控制一直是这一领域的难点，和热点问题。工业系统的运行环境不确定性和外界干扰会直接影响对微小故障诊断的准确性，间歇故障具有强随机性、短间歇性等本质难点，闭环系统的反馈使故障与系统的未建模动态、干扰耦合在一起，这些方面使得此三类故障的故障诊断和容错控制成为国际难题。

对于发电自动化技术，随着国家《中国制造 2025》发展战略的出台，伴随电力转型发展与市场化改革的需要，清洁、高效、安全、电网友好型的智能发电技术成为了发电自动化领域的主攻方向。一些发电集团已经开始进行电厂智能化建设的规划、论证与实施，建设智能电厂正逐渐成为行业的共识，并将是发电企业下一个十年的发展方向。

对于分布式能源并网，分布式能源的接入给电网带来深刻影响，使配电网的运行、控制、保护等技术面临新的挑战。并且此系统是典型的信息物理社会系统，具有更广阔的开放性和更大的系统复杂性。因此，需要对分布式能源并网的物理架构、体系结构、标准协议、协同控制方法等关键基础理论问题进行深入研究，提出面向可靠性、安全性、自愈性等目标的分布式能源并网体系结构设计与优化技术。

对于智慧城市，未来社会的发展趋势必将从物理 + 网络（CPS）的实际城市走向精神层面的人工城市，形成物理 + 网络 + 人工的人—机—物一体化的三元耦合系统，即基于社会物理信息系统（CPSS）的平行智慧城市，其核心和本质特征是虚实互动与平行演化。

在物联网和社会计算交叉领域，社会物联网（Social Internet of Things SIOT）的概念和架构扩展传统的 IOT 的对“物”的传感和互动，引人对社会感知和引导，将社会计算技术融入到传统 IOT 中，形成了以平行系统理论为方法论，以 CPSS 为理论框架，以新一代信息技术架构（云计算、边缘计算、软件定义网络）为通信基础设施，以互联网、物联网、软件服务、区块链为支撑平台，以知识自动化和社会计算技术为核心关键技术的SIOT 概念。

随着移动互联网的广泛普及，人和人之间在互联网上不因地理位置的限制而存在距离，信息传播的速度相较传统的互联网也大幅提高，社会动态变化的速度和规模已经提高到前所未有的水平。无论从国家重大安全上的需求出发，还是从社会、经济和工程等领域的实际应用出发，深入研究社会计算理论和应用日显重要。随着国内越来越多学术机构和公司的重视和投入，我国社会计算学科必将得到更大的发展。

信息物理融合系统是一个战略性前沿研究技术，正在我们生活中扮演越来越重要的角色。如何进一步完善信息物理融合系统理论，开展相关支撑技术的深入研究，实现信息物理融合系统技术的应用推广，是科学研究工作中的一大难题，更是一大机遇。

自主无人系统的发展方向是在提供控制可靠准确性的基础上，向着仿生、适应复杂环境和多机协同的方向发展。国内学者在无人系统研究上取得了一批国际水平的成果，但在以后的工作中还需要更加深入推进相关理论和技术的研发，并积极推进相关人才培养。

在智慧农业领域，通过深度学习、计算机视觉以及数据科学等技术使得农民将从直觉种植方式跨入到数据分析种植，通过实时监控数据获得最优种植方式、根据农作物长势数据情况，提供准确的病虫害、灌溉和施肥等优化的处理方案。随着农田作业处方信息获取技术的发展，以云计算、大数据和深度学习为代表的智慧农业将成为政府投入的热点和重点。

数代人的不懈努力，使我国的经济保持高速增长的态势。一个国家的发达程度往往和科技水平成正比，科技会促进社会经济的发展，而经济的发展又会对科技发展提供支持。随着经济的发展，我国对自动化学科的研究将更多地转向基础理论的研究和新兴交叉方向的研究。也正是以此作为突破口，我国才更有可能在本世纪达到并且引领世界先进水平，成为自动化科技强国。

促进控制科学与工程发展的措施和建议

（1）关注交叉学科。科学上的新理论、新发明的产生，新的工程技术的出现，经常是在学科的边缘或交叉点上。重视交叉学科将使科学本身向着更深层次和更高水平发展，这是符合自然界存在的客观规律的。在有关部门的统一协调下，结合各研发单位的优势进行立项，积极开展各单位的合作，做到突出重点、优势互补、学科交叉，避免重复研究和开发。

（2）产学研一体化。由易到难逐步推进，首先选择迫切需要的、容易实现的项目，通过项目的研发，随着推广应用的深入，逐步带动一批自动化产业，形成比较完整的项目研究、生产制造、使用管理的产业链。

（3）基础人才的培养和支持。随着科技的飞速发展，各年龄段的人才培养至关重要。目前我国的中小学教育大多还是应试教育，缺少科技实践教育相关课程，动手能力匮乏。另外，需要加大国内外交流，学习科技较发达国家的人才培养机制。总之，需要为人才的养成创造全方位立体的支持环境。

（4）基础和重点研究的资金支持。目前我国对科技的经济投入已经超过了很多国家，但是要赶超发达国家甚至引领世界先进水平需要在基础研究和重大应用方法给予更大的资金投入。国家迅猛的经济发展为科技发展奠定了雄厚的经济基础，国家众多的产业为科技发展提供了广阔的实践领域。在可预见的未来，中国的自动化研究和应用水平达到国际先进水平有相当大的可能性。

（5）提高科研人员的社会地位和经济收入。一个行业只有得到社会的认同和尊重，才能够吸引优秀人才的加入。可以说，科研现在已经成为一种职业，在纯粹的兴趣驱动之外，如果科研职位不够吸引人，那么优秀的年轻人很难选择科研作为终身职业。如果国家导向能够提高科研人员的社会地位和经济收入，才会有更多人投入科研事业，才能形成一种良性循环，促进我国科技的发展。

结束语

在过去的几年中，我国的科技水平又上了一层台阶，但是与世界领先水平还有一定差距。在这个信息化的时代，科技发展水平直接影响人民生活水平和综合国力，而自动化技术与科技发展密切相关。所以，我们必须再接再厉，争取在基础研究和重大应用方面都达到甚至领先国际先进水平，为我国的科技发展做出更大的贡献。

上下滑动查看参考文献

［1］ Jiang C，Sun H，Ding Z，et al. An Indexing Network：Model and Applications［J］．IEEE Transactions on Systems Man & Cybernetics Systems，2014，44（12）：1633-1648.

［2］王飞跃，从一无所有到万象所归：人工社会与复杂性研究，科学时报（纵横版），2004.

［3］ Fei-Yue Wang. Social Computing：Concepts，Contents，and Methods.［J］．International J. of Intelligent Control and Systems，2004，9（2）：91-96.

［4］ Fei-Yue Wang，Daniel Zeng，Kathleen M. Carley，et al. Social Computing：From Social Informatics to Social Intelligence，IEEE Intelligent Systems，2007，2（2）：79-83.

［5］ Werbos P. Advanced forecasting methods for global crisis warning and models of intelligence［R］．General Systems Yearbook，1977，22：25-38.

［6］ Song R，Lewis F，Wei Q，Zhang H. Off-policy actor-critic structure for optimal control of unknown systems with disturbances［J］．IEEE Transactions on Cybernetics，2016，46：1041-1050.

［7］ Wang N，Er M. Self-constructing adaptive robust fuzzy neural tracking control of surface vehicles with uncertainties and unknown disturbances［J］．IEEE Transactions on Control Systems Technology，2015，23：991-1002.

［8］ Wei Q，Liu D，Liu Y，et al. Optimal Constrained Self-learning Battery Sequential Management in Microgrid Via Adaptive Dynamic Programming［J］．IEEE/CAA Journal of Automatica Sinica，2017，4：168-176.

［9］ Wei Q，Liu D，Yang X. Infinite horizon self-learning optimal control of nonaffine discrete-time nonlinear systems.

IEEE Transactions on Neural Networks and Learning Systems［J］．2015，26：866-879.

［10］孙景亮，刘春生，基于自适应动态规划的导弹制导律研究综述［J］．自动化学报，2017，43：1101-1113.

［11］ Zhang H，Zhang J，Yang G，et al. Leader-Based Optimal Coordination Control for the Consensus Problem of Multiagent Differential Games via Fuzzy Adaptive Dynamic Programming［J］．IEEE Transactions on Fuzzy Systems，2015，23：152-163.

［12］ Zhang H，Liang H，Wang Z，et al. Optimal Output Regulation for Heterogeneous Multiagent Systems via Adaptive Dynamic Programming［J］．IEEE Transactions on Neural Networks and Learning Systems，2017，28：18-29.

［13］ Wei Q，Liu D，Lin H. Value iteration adaptive dynamic programming for optimal control of discrete-time nonlinear systems［J］．IEEE Transactions on Cybernetics，2016，46：840-853.

［14］ Wei Q，Song R，Yan P. Data-driven zero-sum neuro-optimal control for a class of continuous-time unknown nonlinear systems with disturbance using ADP［J］．IEEE Transactions on Neural Networks and Learning Systems， 2016，27：444-458.

［15］ Wei Q，Liu D，Shi G. A novel dual iterative Q-learning method for optimal battery management in smart residential environments［J］．IEEE Transactions on Industrial Electronics，2015，62：2509-2518.

［16］ Wei Q，Lewis F，Shi G，Song R. Error-tolerant iterative adaptive dynamic programming for optimal renewable home energy scheduling and battery management［J］．IEEE Transactions on Industrial Electronics，2017，64： 9527-9537.

［17］ Fu Z，Xie W，Rakheja S，et al. Observer-based Adaptive Optimal Control for Unknown Singularly Perturbed Nonlinear Systems With Input Constraints. IEEE/CAA Journal of Automatica Sinica，2017，4：48-57.

［18］王康，李晓理，贾超，等．基于自适应动态规划的矿渣微粉生产过程跟踪控制．2016，42：1542-1551.

［19］ Wang F.-Y.，Zhang J.，Wei Q.，et al. PDP：parallel dynamic programming，in IEEE/CAA Journal of Automatica Sinica，2017，4（3）：1-5.

［20］王飞跃．平行系统方法与复杂系统的管理和控制．控制与决策，2004，19（5）：485-489.

［21］王飞跃．平行控制：数据驱动的计算控制方法．自动化学报，2013，39（2）：293-302.

［22］李力，林懿伦，曹东璞，等．平行学习—机器学习的一个新型理论框架．自动化学报，2017，43（1）：1-8.

［23］ Li L.，Lin Y.，Zheng N.，et al. Parallel learning：a perspective and a d framework，2017，4（3）：389-395.

［24］ Wang F.-Y.，Zhang J. J. Zheng X，et al. Where does AlphaGo go：from Church-Turing thesis to AlphaGo thesis and beyond. IEEE/CAA Journal of Automatica Sinica，2016，3（2）：113-120.

［25］ Wang F，Zhang J，Wei Q，Zheng X，Li L. PDP：Parallel Dynamic Programming［J］．IEEE/CAA Journal of Automatica Sinica，2017，4：1-5.

［26］王飞跃．软件定义的系统与知识自动化：从牛顿到默顿的平行升华．自动化学报，2015，41（1）：1-8.

［27］ Guo J，Wang L Y，Yin G，et al. Asymptotically efficient identification of FIR systems with quantized observations and general quantized inputs［J］．Automatica，2015，57：113-122.

［28］王飞跃．平行控制：数据驱动的计算控制方法［J］．自动化学报，2013，39（11）：1858-1870.

［29］袁勇，王飞跃．平行区块链：概念、方法与内涵解析．自动化学报，2017，Vol. 43，No. 10，1703-1712.

［30］ Hou Z S，Wang Z. From model-based control to data-driven control：Survey，classification and perspective［J］． Information Sciences，2013，235（235）：3-35.

［31］ Hou Z S，Jian-Xin X U，Hou Z S，et al. On Data-driven Control Theory：the State of the Art and Perspective［J］． Acta Automatica Sinica，2009，35（6）：650-667.

［32］ Liu D，Wei Q. Policy iteration adaptive dynamic programming algorithm for discrete-time nonlinear systems［J］． IEEE Transactions on Neural Networks & Learning Systems，2014，25（3）：621-634.

［33］ Sun Q，Zhang Y，He H，et al. A Novel Energy Function-Based Stability Evaluation and Nonlinear Control Approach for Energy Internet［J］．IEEE Transactions on Smart Grid，2017. DOI：10.1109/TSG.2015.2497691.

［34］康凤举，华翔，李宏宏，等．可视化仿真技术发展综述［J］．系统仿真学报，2009，21（17）：5310-5313.

［35］邱晓刚，张鹏．面向平行军事系统的领域仿真知识工程研究［J］．系统仿真学报，2015，27（8）：1665- 1669.

［36］周济．智能制造——“中国制造 2025”的主攻方向［J］．中国机械工程，2015，26（17）：2273-2284.

［37］刘强，秦泗钊．过程工业大数据建模研究展望［J］．自动化学报，2016，2：161-171.

［38］中华人民共和国国务院．《国务院关于印发水污染防治行动计划的通知》［N］．国发〔2015〕17 号 .

［39］中国环境保护产业协会城市生活垃圾处理专业委员会．城市生活垃圾处理行业 2017 年发展综述．中国环保产业，2017（4）：9-15.

［40］ Mendez D，Perez A J，Labrador M A，et al. P-Sense：A participatory sensing system for air pollution monitoring and control［C］//IEEE International Conference on Pervasive Computing and Communications Workshops. IEEE， 2011：344-347.

［41］何玉庆，赵忆文，韩建达，等．与人共融—机器人技术发展的新趋势［J］．机器人产业，2015（5）：74-80.

［42］骆敏舟，方健，赵江海．工业机器人的技术发展及其应用［J］．机械制造与自动化，2015（1）：1-4.

［43］武建国，石凯，刘健，等．6000m AUV“潜龙一号”浮力调节系统开发及试验研究［J］．海洋技术学报， 2014，33（5）：1-7.

［44］于军琪，曹建福，雷小康 . 建筑机器人研究现状与展望［J］．自动化博览，2016，（08）：68-75.

［45］ Huang D，Lai J H，Wang C D. Robust Ensemble Clustering Using Probability Trajectories［J］．IEEE Trans.

Knowledge and Data Engineering，2016，28（5）：1312-1326.

［46］ Wang Y，Zhu J. DP-space：Bayesian Nonparametric Subspace Clustering with Small-variance Asymptotics［C］// International Conference on Machine Learning，2015：862-870.

［47］ He X，Zhang C，Zhang L，et al. A-Optimal Projection for Image Representation［J］．IEEE Transactions on Pattern Analysis & Machine Intelligence，2016，38（5）：1009-1015.

［48］ Song Y，Zhu J，Ren Y. Kernel Bayesian Inference with Posterior Regularization［C］//Advances in Neural Information Processing Systems（NIPS），2016：4763-4771.

［49］ Zhang W，Zhang L，Jin Z，et al. Sparse Learning with Stochastic Composite Optimization［C］//Twenty-Eighth AAAI Conference on Artificial Intelligence. AAAI Press，2014：893-899.

［50］ Yang Y，Chen J，Zhu J：Distributing the Stochastic Gradient Sampler for Large-Scale LDA［C］//ACM SIGKDD Conference on Knowledge Discovery and Data Mining，2016：1975-198.

［51］ Chen N，Zhu J，Xia F，et al. Discriminative Relational Topic Models［J］．IEEE Transactions on Pattern Analysis & Machine Intelligence，2015，37（5）：973-986.

［52］ Zhou Z H，Feng J. Zhou Z H，Feng J. Deep Forest：Towards An Alternative to Deep Neural Networks［C］// Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence 2017.

［53］宋小璇，刘敬浩，唐小容．基于图像检索的地标识别系统［J］．电子设计工程，2012，20（12）：173-175.

［54］ Liu Y H，Lin S H，Lai C K，et al. Mining Crowdsourcing Photos for Recognizing Landmark Areas［C］// International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing，2016：12-19.

［55］ Fang Q，Xu C，Hossain M S，et al. STCAPLRS：A Spatial-Temporal Context-Aware Personalized Location Recommendation System［J］．Acm Transactions on Intelligent Systems & Technology，2016，7（4）：1-30.

［56］ Qian S，Zhang T，Hong R，et al. Cross-domain collaborative learning in social multimedia［C］//Proceedings of the 23rd ACM international conference on Multimedia. ACM，2015：99-108.

［57］ Mao J，Xu W，Yang Y，et al. Deep captioning with multimodal recurrent neural networks（m-rnn）［J］．arXiv preprint arXiv：2014：1412.6632.

［58］ Farseev A，Nie L，Akbari M，et al. Harvesting Multiple Sources for User Profile Learning：a Big Data Study［C］// ACM International Conference on Multimedia Retrieval，2015：235-242.

［59］ Hao Y，Zhang Q，Controzzi M，et al. Distinct neural patterns enable grasp types decoding in monkey dorsal premotor cortex［J］．Journal of Neural Engineering，2014，11（6）：066011.

［60］ Zhang T，Liu T，Li F，et al. Structural and functional correlates of motor imagery BCI performance：Insights from the patterns of fronto-parietal attention network［J］．Neuroimage，2016，134：475-485.

［61］ Zhang R，Yao D，Valdéssosa P A，et al. Efficient resting-state EEG network facilitates motor imagery performance［J］．Journal of Neural Engineering，2015，12（6）：066024.

［62］ Li F，Liu T，Wang F，et al. Relationships between the resting-state network and the P3：Evidence from a scalp EEG study［J］．Scientific Reports，2015，5：15129.

［63］ Chen X，Wang Y，Nakanishi M，et al. High-speed spelling with a noninvasive brain-computer interface［J］． Proceedings of the national academy of sciences，2015，112（44）：E6058-E6067.

［64］ Li Y，Pan J，Wang F，et al. A hybrid BCI system combining P300 and SSVEP and its application to wheelchair control［J］．IEEE Transactions on Biomedical Engineering，2013，60（11）：3156-3166.

［65］ Iturrate I，Chavarriaga R，Montesano L，et al. Teaching brain-machine interfaces as an alternative paradigm to neuroprosthetics control［J］．Scientific reports，2015，5.

［66］ Panicker R C，Puthusserypady S，Sun Y. An asynchronous P300 BCI with SSVEP-based control state detection［J］． IEEE Transactions on Biomedical Engineering，2011，58（6）：1781-1788.

［67］ Xu M，Qi H，Wan B，et al. A hybrid BCI speller paradigm combining P300 potential and the SSVEP blocking feature［J］． Journal of neural engineering，2013，10（2）：026001.

［68］ Yin E，Zeyl T，Saab R，et al. A hybrid brain-computer interface based on the fusion of P300 and SSVEP scores［J］． IEEE Transactions on Neural Systems and Rehabilitation Engineering，2015，23（4）：693-701.

［69］ Wang M，Daly I，Allison B Z，et al. A new hybrid BCI paradigm based on P300 and SSVEP［J］．J Neurosci Methods，2015，244：16-25.

［70］ Leeb R，Tonin L，Rohm M，et al. Towards Independence：A BCI Telepresence Robot for People With Severe Motor Disabilities［J］．Proceedings of the IEEE，2015，103（6）：969-982.

［71］ Tidoni E，Gergondet P，Fusco G，et al. The Role of Audio-Visual Feedback in a Thought-Based Control of a Humanoid Robot：A BCI Study in Healthy and Spinal Cord Injured People［J］．IEEE Transactions on Neural Systems & Rehabilitation Engineering，2017，25（6）：772-781.

［72］ Yu T，Xiao J，Wang F，et al. Enhanced motor imagery training using a hybrid BCI with feedback［J］．IEEE Transactions on Biomedical Engineering，2015，62（7）：1706-1717.

［73］ Yu T，Li Y，Long J，et al. Surfing the internet with a BCI mouse［J］．Journal of neural engineering，2012，9（3）： 036012.

［74］ Zhang R，Li Y，Yan Y，et al. Control of a Wheelchair in an Indoor Environment Based on a Brain-Computer Interface and Automated Navigation［J］．IEEE transactions on neural systems and rehabilitation engineering， 2016，24（1）：128-139.

［75］ Liu Y，Zhang H，Chen M，et al. A Boosting-Based Spatial-Spectral Model for Stroke Patients' EEG Analysis in Rehabilitation Training［J］．IEEE Trans Neural Syst Rehabil Eng，2016，24（1）：169-179.

［76］ Chen Z，Sun X，Wang L，et al. A deep visual correspondence embedding model for stereo matching costs［C］// Proceedings of the IEEE International Conference on Computer Vision. 2015：972-980.

［77］ Wang L，Lu H，Ruan X，et al. Deep networks for saliency detection via local estimation and global search［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015：3183-3192.

［78］ Zhao R，Ouyang W，Li H，et al. Saliency detection by multi-context deep learning［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015：1265-1274.

［79］ Liu N，Han J. Dhsnet：Deep hierarchical saliency network for salient object detection［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016：678-686.

［80］ Luo J，Wang J，Zhang Z，et al. BOSS：a novel scaffolding algorithm based on an optimized scaffold graph［J］． Bioinformatics，2017，33（2）：169-176.

［81］ Luo J，Wang J，Zhang Z，et al. EPGA：de novo assembly using the distributions of reads and insert size［J］． Bioinformatics，2014，31（6）：825-833.

［82］ Liang X，Zhang P，Yan L，et al. LRSSL：predict and interpret drug-disease associations based on data integration using sparse subspace learning［J］．Bioinformatics，2017，33（8）：1187-1196.

［83］ Ding Z，Zu S，Gu J. Evaluating the molecule-based prediction of clinical drug responses in cancer［J］． Bioinformatics，2016，32（19）：2891-2895.

［84］ Chen J，Zhang S. Integrative analysis for identifying joint modular patterns of gene-expression and drug-response data［J］．Bioinformatics，2016，32（11）：1724-1732.

［85］ Liu Z，Guo F，Gu J，et al. Similarity-based prediction for Anatomical Therapeutic Chemical classification of drugs by integrating multiple data sources［J］．Bioinformatics，2015，31（11）：1788-1795.

［86］ Zhang X，Zhao J，Hao J K，et al. Conditional mutual inclusive information enables accurate quantification of associations in gene regulatory networks［J］．Nucleic acids research，2014，43（5）：e31.

［87］ Zhang L，Kong L，Han X，et al. Structural class prediction of protein using novel feature extraction method from chaos game representation of predicted secondary structure［J］．Journal of theoretical biology，2016，400：1-10.

［88］ Zheng X，Zhao Q，Wu H J，et al. MethylPurify：tumor purity deconvolution and differential methylation detection from single tumor DNA methylomes［J］．Genome biology，2014，15（7）：419-431.

［89］ Zheng X，Zhang N，Wu H J，et al. Estimating and accounting for tumor purity in the analysis of DNA methylation data from cancer studies［J］．Genome biology，2017，18（1）：17-30.

［90］ Li Y，Jiang Y，Chen H，et al. Modular construction of mammalian gene circuits using TALE transcriptional repressors［J］．Nature chemical biology，2015，11（3）：207-213.

［91］ Zhang B，Wang X，Li S. An integrative platform of TCM network pharmacology and its application on a herbal formula，Qing-Luo-Yin［J］．Evidence-based complementary and alternative medicine，2013，456747：1-12.

［92］ Liang X，Li H，Li S. A novel network pharmacology approach to analyse traditional herbal formulae：the Liu-Wei- Di-Huang pill as a case study［J］．Molecular BioSystems，2014，10（5）：1014-1022.

［93］张琪．基于 OSGi 的智能楼宇监控系统的设计与实现［D］．东南大学，2016.

［94］郭雷．系统学是什么［J］．系统科学与数学，2016，36（3）：291-301.

［95］ Yu W，Ren W，Zheng W X，et al. Distributed control gains design for consensus in multi-agent systems with second-order nonlinear dynamics［J］．Automatica，2013，49（7）：2107-2115.

［96］ Liu B，Lu W，Chen T. Pinning consensus in networks of multiagents via a single impulsive controller［J］．IEEE transactions on neural networks and learning systems，2013，24（7）：1141-1149.

［97］ Liu Q，Fang J，Li Y. Some characteristics of three-layer supernetwork evolution model［J］．Complex Systems & Complexity Science，2015，12（2）：64-71.

［98］ Liu Q，Fang J Q，Li Y. Three-layered supernetwork evolution model and the application for China-world's top 500 enterprises supernetwork［J］．International Journal of Modern Physics C，2014，25（05）：1440003.

［99］ Wang F Y，Yang L Q，Yang J，et al. Urban intelligent parking system based on the parallel theory［C］// Computing，Networking and Communications（ICNC），2016 International Conference on. IEEE，2016：1-5.

［100］蒲自源，纪魁，李志斌，等．价格波动对停车占有率影响的空间建模分析［J］．东南大学学报：自然科学版，2017（1）：193-197.

［101］徐健锋，汤涛，严军峰，等．基于多机器学习竞争策略的短时交通流预测［J］．交通运输系统工程与信息，2016，16（4）：185-190.

［102］孙剑，胡家琦，孙杰．城市快速路交织区通行能力估计模型［J］．中国公路学报，2016，29（4）：114- 122.

［103］徐进，周佳，汪旭，等．山区复杂线形公路小客车纵向加速度特性［J］．中国公路学报，2017，30（4）： 115-126.

［104］ Zheng X，Chen W，Wang P，et al. Big Data for Social Transportation［J］．IEEE Transactions on Intelligent Transportation Systems，2016，17（3）：620-630.

［105］陈欢，薛美根．大数据环境下上海市综合交通特征分析［J］．城市交通，2016，14（1）：24-29.

［106］ Ding D W，Du X，Xie X，et al. Fault estimation filter design for discrete-time Takagi-Sugeno fuzzy systems［J］． IET Control Theory & Applications，2016，10（18）：2456-2465.

［107］ Zhang K，Jiang B，Cocquempot V. Adaptive technique-based distributed fault estimation observer design for multi- agent systems with directed graphs［J］．Control Theory & Applications IET，2015，9（18）：2619-2625.

［108］ Marseglia G R，Raimondo D M. Active fault diagnosis：A multi-parametric approach［J］．Automatica，2017， 79：223-230.

［109］ Wan Y，Keviczky T，Verhaegen M，et al. Data-driven robust receding horizon fault estimation［J］． Automatica，2016，71：210-221.

［110］ Liu J，Chen D S. Fault isolation using modified contribution plots［J］．Computers & Chemical Engineering， 2014，61：9-19.

［111］ Zhang Y，Yang N，Li S. Fault isolation of nonlinear processes based on fault directions and features［J］．IEEE Transactions on Control Systems Technology，2014，22（4）：1567-1572.

［112］ Peng C，Tian Y C，Tian E. Improved delay-dependent robust stabilization conditions of uncertain T-S fuzzy systems with time-varying delay［J］．Fuzzy sets and systems，2008，159（20）：2713-2729.

［113］ He X，Wang Z，Liu Y，et al. Least-squares fault detection and diagnosis for networked sensing systems using a direct state estimation approach［J］．IEEE Transactions on Industrial Informatics，2013，9（3）：1670-1679.

［114］ Zhang K，Gonzalez R，Huang B，et al. Expectation-maximization approach to fault diagnosis with missing data［J］． IEEE Transactions on Industrial Electronics，2015，62（2）：1231-1240.

［115］ He X，Wang Z，Wang X，et al. Networked strong tracking filtering with multiple packet dropouts：algorithms and applications［J］．IEEE Transactions on Industrial Electronics，2014，61（3）：1454-1463.

［116］李整，谭文，秦金磊．一种用于机组组合问题的改进双重粒子群算法［J］．中国电机工程学报，2012， 32（25）：189-195.

［117］ Yuan X，Tan Q，Lei X，et al. Wind Power Prediction Using Hybrid Autoregressive Fractionally Integrated Moving Average and Least Square Support Vector Machine［J］．Energy，2017，129：122-137.

［118］王漪，柳焯，柳进．受基本方程规范的火电机组耗量特性系数辨识［J］．中国电机工程学报，2017，37

（4）：1151-1159.

［119］ Yin F，Luo Z H，Li Y，et al. Coal type identification based on the emission spectra of a furnace flame［J］． Journal of Zhejiang University-SCIENCE A，2017，18（2）：113-123.

［120］杨珮鑫，张沛超．分布式电源并网保护研究综述［J］．电网技术，2016，40（6）：1888-1895．

［121］朱德斌，刘芳，徐海珍，等．微电网双运行模式下分布式逆变器的控制策略［J］．电力电子技术，2012

（10）：9-16．

［122］李振坤，周伟杰，钱啸，等．有源配电网孤岛恢复供电及黑启动策略研究［J］．电工技术学报，2015， 30（21）：67-75．

［123］ Luo X，Wang J，Dooner M，et al. Overview of current development in electrical energy storage technologies and the application potential in power system operation［J］．Applied Energy，2015，137：511-536.

［124］李德仁，姚远，邵振峰．智慧城市中的大数据［J］．武汉大学学报（信息科学版），2014，39（6）： 631-640.

［125］陈真勇，徐州川，李清广，等 . 一种新的智慧城市数据共享和融合框架—— SCLDF［J］．计算机研究与发展，2014，51（2）：290-301.

［126］关欣，雷鸣宇，李健．智慧城市标准化研究［J］．电信网技术，2013（4）：13-17.

［127］舒印彪，范建斌．智慧城市标准化工作进展［J］．电网技术，2014，38（10）：2617-2623.

［128］王飞跃，李晓晨，毛文吉．社会计算的基本方法与应用［M］．浙江大学出版社，2013.

［129］ Zhang Q，Zeng D D，Wang F Y，et al. Brokers or Bridges? Exploring Structural Holes in a Crowdsourcing System

［J］．Computer，2016，49（6）：56-64.

［130］ Wang X，Zheng X，Zhang X，et al. Analysis of Cyber Interactive Behaviors Using Artificial Community and Computational Experiments［J］．IEEE Transactions on Systems，Man，and Cybernetics：Systems，2017，47（6）： 995-1006.

［131］ Bai L，Cheng X，Liang J，et al. An Optimization Model for Clustering Categorical Data Streams with Drifting Concepts［J］．IEEE Transactions on Knowledge and Data Engineering，2016，28（11）：2871-2883.

［132］ Sun X Q，Shen H W，Cheng X Q，et al. Detecting anomalous traders using multi-slice network analysis［J］． Physica A：Statistical Mechanics and its Applications，2017，473：1-9.

［133］ Zhao Y，Qin B，Liu T. Creating a fine-grained corpus for Chinese sentiment analysis［J］．IEEE Intelligent Systems，2015，30（1）：36-43.

［134］ Che W，Zhao Y，Guo H，et al. Sentence compression for aspect-based sentiment analysis［J］．IEEE/ACM Transactions on audio，speech，and language processing，2015，23（12）：2111-2124.

［135］ Tang D，Qin B，Liu T. Document Modeling with Gated Recurrent Neural Network for Sentiment Classification［C］// EMNLP. 2015：1422-1432.

［136］ Tang D，Wei F，Qin B，et al. Sentiment embeddings with applications to sentiment analysis［J］．IEEE Transactions on Knowledge and Data Engineering，2016，28（2）：496-509.

［137］ Wang Z，Xu B，Zhou H J. Social cycling and conditional responses in the Rock-Paper-Scissors game［J］． Scientific reports，2014，4：5830.

［138］ F-Y. Wang，L. Yang，X. Cheng，et al.“Network Softwarization and Parallel Networks：Beyond Software- Defined Networks”，IEEE network，Vol. 30，No. 4，60-65，July-August 2016.

［139］王飞跃，杨柳青，胡晓娅，等．平行网络与网络软件化：一种新颖的网络架构．中国科学：信息科学， 2017，47：1{21，doi：10.1360/N112016-00047.

［140］ Zhang B，Liu W，Mao Z，et al. Cooperative and Geometric Learning Algorithm（CGLA）for path planning of UAVs with limited information［J］．Automatica，2014，50（3）：809-820.

［141］贺威，丁施强，孙长银．扑翼飞行器的建模与控制研究进展［J］．自动化学报，2017，43（5）：685-696.

［142］ Cheng B，Deng X. A neural adaptive controller in flapping flight［J］．Journal of Robotics and Mechatronics， 2012，24（4）：602.

［143］白天翔，王帅，沈震，等．平行机器人与平行无人系统：框架，结构，过程，平台及其应用［J］．自动化学报，2017，43（2）：161-175.

［144］ He W，Zhang S. Control design for nonlinear flexible wings of a robotic aircraft［J］．IEEE Transactions on Control Systems Technology，2017，25（1）：351-357.

［145］ Lin L，Sun Q，Li J，et al. A novel geographic position mobility oriented routing strategy for UAVs［J］．Journal of Computational Information Systems，2012，8（2）：709-716.

［146］ Li S，Wu X. Finite-time consensus and collision avoidance control algorithms for multiple UAVs［J］． Automatica，2013，49（11）：3359-3367.

［147］ Liu W，Li Z，Li L，et al. Parking Like a Human：A Direct Trajectory Planning Solution［J］．IEEE Transactions on Intelligent Transportation Systems，2017. DOI：10.1109/TITS.2017.2687047.

［148］ Li X，Sun Z，Cao D，et al. Real-Time Trajectory Planning for Autonomous Urban Driving：Framework， Algorithms，and Verifications［J］．IEEE/ASME Transactions on Mechatronics，2016，21（2）：740-753.

［149］ Qin H，Long S X，Yu K. Simulation research on the shift schedule in the auto with automated manual transmission based on cruise gear shift program［J］．Advanced Mater Res，2013，712：2160-2163.

［150］ Liu T，Hu X，Li S，et al. Reinforcement Learning Optimized Look-Ahead Energy Management of a Parallel Hybrid Electric Vehicle［J］．IEEE/ASME Transactions on Mechatronics，2017，22（4）：1497-1507.

［151］ Ren B，Chen H，Zhao H，et al. MPC-based yaw stability control in in-wheel-motored EV via active front steering and motor torque distribution［J］．Mechatronics，2016，38：103-114.

［152］刘国栋，邬明权，牛铮，等．基于 GF-1 卫星数据的农作物种植面积遥感抽样调查方法［J］．农业工程学报，2015，31（5）：160-166.

［153］吴倩，孙红，李民赞，等．玉米作物多光谱图像精准分割与叶绿素诊断方法研究［J］．光谱学与光谱分析，2015，35（1）：178-183.

［154］ Salmon J M，Friedl M A，Frolking S，et al. Global rain-fed，irrigated，and paddy croplands：a new high resolution map derived from remote sensing，crop inventories and climate data［J］．International Journal of Applied Earth Observation and Geoinformation，2015，38：321-334.

［155］ Kuenzer C，Guo H D，Huth J，et al. Flood mapping and flood dynamics of the Mekong Delta：ENVISAT-ASAR- WSM based time series analyses［J］．Remote Sens-ing，2013，5（2）：687-715.

［156］ Leng P，Song X N，Li Z L，et al. Bare sur-face soil moisture retrieval from the synergistic use of optical and thermal infrared data［J］．International Journal of Remote Sensing. 2014，35（3）：988-1003.

［157］ Yubing Wang，Cuiping Lu，Liusan Wang，et al. Prediction of soil organic matter content using VIS/NIR soil sensor［J］． Sensors & Transducers，2014，168（4）：113-119.

［158］ Wang Y B，Huang T Y，Liu J，Zhidan Lin，et al.Soil PH value organic matter and macronutrients contents prediction using optical diffuse reflectance spectroscopy［J］．Computer and Electronics in Agriculture，2015， 111（111）：69-77.

［159］ Lu C P，Wang L S，Hu H Y，et al. Total nitrogen and phosphorus analysis of soil using LIBS［J］．Chinese Optics Letters，2013，11（5）：053004.

［160］ Lin Z D，Wang Y B，Wang R J，et al.Improvements of the Vis-NIRS Model in the Prediction of Soil Organic Matter Content Using Spectral Pretreatments，Sample Selection，and Wavelength Optimization［J］．Journal of Applied Spectroscopy，2017，84（3）：29-534.

［161］ Lin Z D，Wang Y B，Wang R J，et al. Improvements of Vis-NIRS Model in The Prediction of Soil Organic Matter Content Using Wavelength Optimization［J］．Chinese Journal of Luminescence，2016，37（11）：1428-1435.

［162］王浩宇，华净，陆浩，等．农产品市场价格采集平台 -JJFarmer. 2016 年全国智能工程与农业信息化学术会议．河北廊坊，2016.

［163］陈锡康，杨翠红．农业复杂巨系统的特点与全国粮食产量预测研究 . 系统工程理论与实践，2002，6： 108-112.

［164］徐计，王国胤，于洪．基于粒计算的大数据处理［J］．计算机学报，2015，38（8）：1497-1517.

［165］余凯，贾磊，陈雨强，等．深度学习的昨天·今天和明天［J］．计算机研究与发展，2013，50（9）： 1799-1804.

［166］任磊，杜一，马帅，等．大数据可视化分析综述［J］．软件学报，2014，25（9）：1909-1936.

［167］ Kang M Z，Wang F Y. From Parallel Plants to Smart Plants：Intelligent Control and Management for Plant Growth.

Journal of Automatica Sinica，2017，4：161-166.

［168］王飞跃，张俊．智联网：智联网：概念、问题和平台［J］．自动化学报，2017，43（12）：2061-2070.

来源：中国自动化学会

往期文章推荐