今日頭條
官方微信
官方抖音
資訊頻道近日，歐洲科學(xué)院公布了2018年新當選的院士名單，中國自動(dòng)化學(xué)會(huì )副理事長(cháng)、澳門(mén)大學(xué)講座教授陳俊龍當選為歐洲科學(xué)院外籍院士。
歐洲科學(xué)院（拉丁文 Academia Europaea，英文The Academy of Europe）由英國皇家學(xué)會(huì )與歐洲各國的國家科學(xué)院于1988年共同發(fā)起成立，總部位于英國倫敦，共分21個(gè)學(xué)部，其學(xué)科領(lǐng)域涵蓋人文科學(xué)、社會(huì )科學(xué)、自然科學(xué)和科學(xué)技術(shù)等，是國際上跨地域和學(xué)術(shù)領(lǐng)域最廣泛、學(xué)術(shù)地位最高、影響最大的科學(xué)組織之一。
歐洲科學(xué)院院士選舉每年舉行一次，其程序包括同行提名、嚴格的學(xué)術(shù)審查、學(xué)組與學(xué)部多輪投票，最后由歐洲科學(xué)院的理事會(huì )批準產(chǎn)生。目前，歐洲科學(xué)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(lái)自自然科學(xué)領(lǐng)域。
陳俊龍教授簡(jiǎn)介
陳俊龍（C. L. Philip Chen）博士，國家千人學(xué)者、國家特聘專(zhuān)家，中國自動(dòng)化學(xué)會(huì )副理事長(cháng)及會(huì )士，澳門(mén)科協(xié)副會(huì )長(cháng)，澳門(mén)大學(xué)講座教授，科技學(xué)院前院長(cháng)。陳教授是 IEEE Fellow會(huì )士，美國科學(xué)促進(jìn)會(huì )AAAS Fellow會(huì )士，國際模式識別學(xué)會(huì )IAPR Fellow會(huì )士，國際系統及控制論科學(xué)院IASCYS院士，香港工程師學(xué)會(huì )Fellow。陳教授現任IEEE系統人機及智能學(xué)會(huì )的期刊主編，曾任該學(xué)會(huì )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(xué)方向。
陳教授在國際重要學(xué)術(shù)刊物上發(fā)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(xué)術(shù)引用14500多次， 大部分發(fā)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(xué)學(xué)科”高被引用文章數目學(xué)者中世界排名在前14名。詳見(jiàn)https://orcid.org/0000-0001-5451-7230陳教授獲IEEE學(xué)會(huì )頒發(fā)的4次杰出貢獻獎，是美國工學(xué)技術(shù)教育認證會(huì )（ABET）的評審委員。
澳門(mén)大學(xué)工程學(xué)科及計算機工程獲得國際【華盛頓協(xié)議】的認證是陳教授對澳門(mén)工程教育的至高貢獻。擔任院長(cháng)期間，陳教授帶領(lǐng)澳門(mén)大學(xué)的工程學(xué)科及計算機學(xué)科雙雙進(jìn)入世界大學(xué)學(xué)科排名前200名。他同時(shí)成立了澳門(mén)大學(xué)珠海研究院，擔任創(chuàng )院院長(cháng)，承接我國基金委項目。2016年他獲得了母校美國普度大學(xué)的杰出電機及計算機工程獎。
個(gè)人成就
·任職講座教授期間，致力于學(xué)院的學(xué)術(shù)發(fā)展。在澳大期間已指導畢業(yè)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(xué)，其它的在省級重點(diǎn)大學(xué)。目前有10位在讀博士生跟陳教授研讀。
·獲得了4項澳門(mén)科技基金委員會(huì )的科研資助（其中一項是我國科技部的聯(lián)合基金 項目）。
·主持一項我國自然科學(xué)基金委的重點(diǎn)項目，共同主持一項自然科學(xué)基金委的重點(diǎn) 項目，主持一項面上研究基金。同時(shí)也獲得5項學(xué)校的研究基金。
·參與并共同主持澳門(mén)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(mén)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(xué)的興趣。
·以澳門(mén)大學(xué)為主要的技術(shù)支持單位主持及主辦多個(gè)國際會(huì )議 。
·兩次獲得澳門(mén)科學(xué)進(jìn)步獎（一次第三等，一次第二等）。
·學(xué)術(shù)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(gè)澳門(mén)大學(xué)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(gè)澳門(mén)大學(xué)17676次的 十分之一（1/10）。
·2016年澳門(mén)大學(xué)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(mén)大學(xué)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(diǎn)研究方向 深層結構神經(jīng)網(wǎng)絡(luò )和學(xué)習已經(jīng)在許多領(lǐng)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(wǎng)絡(luò )非常強大，但大多數網(wǎng)絡(luò )都被極度耗時(shí)的訓練過(guò)程所困擾。其中最主要的原因是，上述深度網(wǎng)絡(luò )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(wǎng)絡(luò )層數或者調整參數個(gè)數。因此近年來(lái)，一系列以提高訓練速度為目的的深度網(wǎng)絡(luò )以及相應的結合方法逐漸引起人們關(guān)注。 陳俊龍教授在近年來(lái)致力于解決這一問(wèn)題。結合他在早期所做的單隱層網(wǎng)絡(luò )的相關(guān)研究，陳俊龍教授提出了一個(gè)名為“寬度學(xué)習系統”（Broad Learning System，BLS）的網(wǎng)絡(luò )結構，并從去年開(kāi)始在多個(gè)場(chǎng)合提及這一概念。 關(guān)于該理論的相關(guān)研究，原文正式發(fā)表在IEEE Transactions on Neural Networks and Learning Systems, Vol. 29, Issue 1, 2018 （點(diǎn)擊查看澳門(mén)大學(xué)陳俊龍 | 寬度學(xué)習系統：一種不需要深度結構的高效增量學(xué)習系統） 寬度學(xué)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(xué)習）。BLS的設計思路為：首先，利用輸入數據映射的特征作為網(wǎng)絡(luò )的“特征節點(diǎn)”。其次，映射的特征被增強為隨機生成權重的“增強節點(diǎn)”。最后，所有映射的特征和增強節點(diǎn)直接連接到輸出端，對應的輸出系數可以通過(guò)快遞的Pseudo偽逆得出。為了在寬度上擴展特征節點(diǎn)和增強節點(diǎn)，論文中額外設計了對應的寬度學(xué)習算法。同時(shí)，如果網(wǎng)絡(luò )結構需要擴展，論文同時(shí)提出了無(wú)需完整網(wǎng)絡(luò )再訓練的快速增量學(xué)習算法。 陳俊龍教授認為，BLS逼近性?xún)?yōu)、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(lèi)似BLS單隱層的神經(jīng)網(wǎng)絡(luò )已非常的流行。這一點(diǎn)在大數據時(shí)代下顯得較為實(shí)用：當系統收集到新輸入數據時(shí)，在短時(shí)間內可以直接對節點(diǎn)進(jìn)行更新，保證了系統的完整性。 同時(shí)，BLS的主要應用場(chǎng)景集中在智能控制的環(huán)境中進(jìn)行實(shí)時(shí)更新學(xué)習，譬如在智能家居的環(huán)境中更新語(yǔ)音識別、人物識別、物體識別的相關(guān)系統，那么BLS也能在其中發(fā)揮它的重要優(yōu)勢，甚至成為主流。 目前，陳俊龍教授將工作重點(diǎn)放在BLS的算法優(yōu)化和穩定研究上，除此之外，尋找應用的行業(yè)與場(chǎng)景也成為了陳俊龍教授接下來(lái)一段時(shí)間的工作要點(diǎn)。 附：陳俊龍教授及國內相關(guān)專(zhuān)家關(guān)于BLS的近期相關(guān)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(lèi)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(jīng)用在 左邊的feature nodes，構成了以BLS的Neuro-Fuzzy網(wǎng)絡(luò )。 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。
北京市公安局海淀分局備案號：11010802023656號