近日,歐洲科學院公布了2018年新當選的院士名單,中國自動化學會副理事長、澳門大學講座教授陳俊龍當選為歐洲科學院外籍院士。
歐洲科學院(拉丁文 Academia Europaea,英文The Academy of Europe)由英國皇家學會與歐洲各國的國家科學院于1988年共同發起成立,總部位于英國倫敦,共分21個學部,其學科領域涵蓋人文科學、社會科學、自然科學和科學技術等,是國際上跨地域和學術領域最廣泛、學術地位最高、影響最大的科學組織之一。
歐洲科學院院士選舉每年舉行一次,其程序包括同行提名、嚴格的學術審查、學組與學部多輪投票,最后由歐洲科學院的理事會批準產生。目前,歐洲科學院的院士包括73位諾貝爾獎獲得者、15位菲爾茲獎獲得者、6位圖靈獎獲得者等。該院目前共有近100多位外籍院士,不足5%,主要來自自然科學領域。
陳俊龍教授簡介
陳俊龍(C. L. Philip Chen)博士,國家千人學者、國家特聘專家,中國自動化學會副理事長及會士,澳門科協副會長,澳門大學講座教授,科技學院前院長。陳教授是 IEEE Fellow會士,美國科學促進會AAAS Fellow會士,國際模式識別學會IAPR Fellow會士,國際系統及控制論科學院IASCYS院士,香港工程師學會Fellow。陳教授現任IEEE系統人機及智能學會的期刊主編,曾任該學會國際總主席。陳教授主要科研在智能系統與控制,計算智能,混合智能,數據科學方向。
陳教授在國際重要學術刊物上發表論文400余篇,其中SCI期刊240余篇(130余篇在IEEE Transactions),在Web of Science他人引用5300余次,谷歌學術引用14500多次, 大部分發表的文章都在頂級期刊雜志上。在2018年有32篇高被引用文章(前1%的高引用),在“計算機科學學科”高被引用文章數目學者中世界排名在前14名。詳見https://orcid.org/0000-0001-5451-7230陳教授獲IEEE學會頒發的4次杰出貢獻獎,是美國工學技術教育認證會(ABET)的評審委員。
澳門大學工程學科及計算機工程獲得國際【華盛頓協議】的認證是陳教授對澳門工程教育的至高貢獻。擔任院長期間,陳教授帶領澳門大學的工程學科及計算機學科雙雙進入世界大學學科排名前200名。他同時成立了澳門大學珠海研究院,擔任創院院長,承接我國基金委項目。2016年他獲得了母校美國普度大學的杰出電機及計算機工程獎。
個人成就
·任職講座教授期間,致力于學院的學術發展。在澳大期間已指導畢業9位博士生, 而且都在國內高校擔任年輕教授。其中兩位在國內985,211大學,其它的在省級重點大學。目前有10位在讀博士生跟陳教授研讀。
·獲得了4項澳門科技基金委員會的科研資助(其中一項是我國科技部的聯合基金 項目)。
·主持一項我國自然科學基金委的重點項目,共同主持一項自然科學基金委的重點 項目,主持一項面上研究基金。同時也獲得5項學校的研究基金。
·參與并共同主持澳門勞工局的世界技能競賽機器人的計劃項目。
·參與并共同主持澳門科技基金委的智能城市“智能出行”計劃項目。
·連續每年主持/共同主持暑期的科普項目,提高本澳的高中生對科學的興趣。
·以澳門大學為主要的技術支持單位主持及主辦多個國際會議 。
·兩次獲得澳門科學進步獎(一次第三等,一次第二等)。
·學術論文他被引方面:陳教授在2016年的論文他被引的次數是1208次,是整個澳門大學論文他被引的次數12426次的十分之一(1/10)。
·陳教授在在2017年的論文他被引的次數是1815次,是整個澳門大學17676次的 十分之一(1/10)。
·2016年澳門大學45篇期刊文章在Web of Science被列為高被引文章中,其中陳俊龍教授有19篇——是澳大的42% 。
·2017/2018年陳俊龍教授有32篇高被引論文,是澳門大學82篇的38%。
·2016年在高被引文章的他引次數,澳大有2848次,其中陳教授部分有1399次——是澳大的49%。
重點研究方向 深層結構神經網絡和學習已經在許多領域得到應用,并在大規模數據處理上取得了突破性的成功。雖然深度結構網絡非常強大,但大多數網絡都被極度耗時的訓練過程所困擾。其中最主要的原因是,上述深度網絡都結構復雜并且涉及到大量的超參數。另外,這種復雜性使得在理論上分析深層結構變得極其困難。另一方面,為了在應用中獲得更高的精度,深度模型不得不持續地增加網絡層數或者調整參數個數。因此近年來,一系列以提高訓練速度為目的的深度網絡以及相應的結合方法逐漸引起人們關注。 陳俊龍教授在近年來致力于解決這一問題。結合他在早期所做的單隱層網絡的相關研究,陳俊龍教授提出了一個名為“寬度學習系統”(Broad Learning System,BLS)的網絡結構,并從去年開始在多個場合提及這一概念。 關于該理論的相關研究,原文正式發表在IEEE Transactions on Neural Networks and Learning Systems, Vol. 29, Issue 1, 2018 (點擊查看澳門大學陳俊龍 | 寬度學習系統:一種不需要深度結構的高效增量學習系統) 寬度學習系統(BLS)是基于將映射特征作為RVFLNN輸入的思想設計的。此外,BLS可以在新加入的數據以有效和高效的方式更新系統(輸入的增量學習)。BLS的設計思路為:首先,利用輸入數據映射的特征作為網絡的“特征節點”。其次,映射的特征被增強為隨機生成權重的“增強節點”。最后,所有映射的特征和增強節點直接連接到輸出端,對應的輸出系數可以通過快遞的Pseudo偽逆得出。為了在寬度上擴展特征節點和增強節點,論文中額外設計了對應的寬度學習算法。同時,如果網絡結構需要擴展,論文同時提出了無需完整網絡再訓練的快速增量學習算法。 陳俊龍教授認為,BLS逼近性優、算法快的特性能夠使其很快成為主流訓練方法。在智能控制方面,類似BLS單隱層的神經網絡已非常的流行。這一點在大數據時代下顯得較為實用:當系統收集到新輸入數據時,在短時間內可以直接對節點進行更新,保證了系統的完整性。 同時,BLS的主要應用場景集中在智能控制的環境中進行實時更新學習,譬如在智能家居的環境中更新語音識別、人物識別、物體識別的相關系統,那么BLS也能在其中發揮它的重要優勢,甚至成為主流。 目前,陳俊龍教授將工作重點放在BLS的算法優化和穩定研究上,除此之外,尋找應用的行業與場景也成為了陳俊龍教授接下來一段時間的工作要點。 附:陳俊龍教授及國內相關專家關于BLS的近期相關研究 Universal Approximation Capability of Broad Learning System and Its Structural Variations (https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8457525) 該論文主要討論了不同種類的BLS變形。 Fuzzy Broad Learning System: A Novel Neuro-Fuzzy Model for Regression and Classification (https://ieeexplore.ieee.org/abstract/document/8432091/) 該論文討論了將模糊神經用在 左邊的feature nodes,構成了以BLS的Neuro-Fuzzy網絡。 Structured Manifold Broad Learning System: A Manifold Perspective for Large-Scale Chaotic Time Series Analysis and Prediction (https://ieeexplore.ieee.org/abstract/document/8440718/) 該論文討論了Manifold算法及在Large-Scale Chaotic Time Series Analysis and Prediction中的重要結果。