向世界尖端科技领域迈进_尖端科技领域有哪些

　　笔者：张教授您好，我们了解到自从2007年您参与教育部“新世纪优秀人才支持计划”并担任重要职务以来，已发表了与神经网络相关的论文近百篇，比如您的重要研究课题“仿人脑信息处理与控制的人工系统的研究”等。这表征着您的科研攻关实力，也充分说明了当前国家对科技进步、发展的高度重视。想请教张教授，能否以您个人为出发点就咱们国内这一领域的科研攻关状况总括性地谈一下?
　　张雨浓：目前来说，人工神经网络、冗余度机器人学和科学计算与优化是我们科研攻关的三个主要方向，最早当始于导师毛宗源教授主持负责的“仿人脑信息处理与控制的人工系统的研究”，随后开展了近年来承担的国家自然科学基金委支持的课题“机器手臂的基于二次规划的冗余度解析方案”“冗余机器人实时运动规划的统一理论”等项目。就人工神经网络、人工智能等相关领域的研究情况而言，我国很多学术前辈、同事甚至是后学不同程度地做出了不少创新性的成果，有些甚至达到世界领先的水准，这一点还是值得我们欣喜的。
　　以人工神经网络为例来说，其理论在国内外都已经取得了许多令人瞩目的成果，国内也有许多学者相继提出了不同的人工神经网络模型，并取得了较为广泛的应用，且应用范围在不断扩展，渗透到了多个领域，如信号处理，智能控制、模式识别、机器视觉、非线性优化、图像处理等等。我团队近期拓展的神经网络模型的连接权值直接确定一项可避开传统BP(误差回传)神经网络的内在弱点，如冗长的权值迭代计算、局部极小点问题、网络参数及隐神经元数的选取困难等等，并将递归神经网络应用于冗余度机械臂的运动规划与控制中，展现出了良好的成果。
　　笔者：早在2001年，您率先提出变矩阵／向量／优化问题的神经网络新解法，能否借此机会有针对性地讲述几点其与传统解析与架构上的不同?
　　张雨浓：其与传统梯度方法的不同之处可归纳为如下数点：首先，新型神经网络解法是基于矩阵／向量形式的误差函数而设计的，令其每个误差元素不断递减至零而成。与此相对，基于梯度法的传统神经网络解法是基于非负或至少下有界的标量形式的能量函数而设计的；值得指出的是，在基于梯度法的神经网络解法中涉及的参数矩阵等多是探讨定常的情况。
　　其次，新型神经网络在处理时变问题时，系统地采用变矩阵，向量的时间导数信息，这也是新型神经网络能够全局指数收敛到时变问题的准确理论解的原因之一。与此相对，基于梯度法的传统神经网络解法因没有使用如此重要的时间导数信息而难以有效地求解时变矩阵／向量／优化问题。
　　另外，新型神经网络通常是用更为普适的隐动力学方程描述的；而基于梯度法的传统神经网络则多是采用显动力学方程描述的。
　　笔者：在您的科研范围内，冗余机器人是您科学研究的主项，它显然代表着高端的科技发展方向，我们想请张教授谈一下冗余机器人今天的发展状况及其特性、优势，其在未来科技领域内的应用情况，给人类社会所带来的利好。
　　张雨浓：就冗余机器人而言，现主要研究的是冗余机械臂，其可广泛地应用于工业生产之中，包括焊接、油漆，组装、绘图、挖掘，送料和其他智能活动等等。冗余机械臂是指末端执行器在执行给定的任务时有比其所必需自由度之上更多的自由度和灵活度的机械臂。在冗余机器人的运动学研究中，正运动学和逆运动学都是研究的核心部分。正运动学指给定关节变量，通过已知的手臂函数映射关系，能够唯一地确定末端执行器的位姿，而逆运动学是指给定末端执行器的笛卡尔变量，如何来实时求解机械臂的关节变量。两者刚好相对，但逆运动学的求解却不容易。后者直接关系到运动分析，离线编程、轨迹规划等等，是将工作空间内机器人末端的位姿转化成关节量值的前提。由于机械臂逆运动学问题的复杂性，我们将机械臂逆运动学逆动力学问题都统一地转化为最优化问题，具体为时变二次规划问题，这种做法能减少大量矩阵求逆，矩阵相乘等运算，减少计算时间，也更灵活、更加智能化。
　　这些科研结果能为装备制造，加工作业乃至空间机器人等领域的运动控制和新型机械臂的研发，制造以及技术提升提供一个更为科学更加有力的理论与实践基础。该冗余度解析理论将会在重工制造装备等方面展露，并带来广阔的应用前景和较大的社会经济效益，如用以改造和提升喷浆机器人、焊接和绘图机器人、车载机器臂系统等机械设备的运动解析与控制技术、操作模式及其安全性稳定性等。
　　笔者：2007年您所提出的BP神经网络权值直接确定理论研究，克服了传统BP神经网络所固有的迭代时间长、迭代次数多，易陷入局部极小点和学习精度不高等诸多缺陷。您一直站在科技前沿，在未来您的研究方向还将力求冲破哪些方面的障碍?
　　张雨浓：我们的一个科研工作重心就是人工神经网络的权值直接确定法以及外延的新方法新理论，比如在权值直接确定基础上的隐层神经元数目自适应确定研究等等。就未来在该方面继续做工作而言，首先我们仍将继续寻找，挖掘、探讨和考察不同的激励函数、网络模型，以求从不同的角度更加丰富地证实权值直接确定法的可行性，有效性、普适性以及优异的学习能力等等；其次，我们将(也已经在)探讨多输入多输出人工神经网络的权值直接确定法，并同时探研拓扑结构自适应确定算法于其中；另外，也如同我们向中科院某所提交的一个开放课题申请书中所言，应用神经网络权值与结构直接确定理论处理海量数据同样值得尝试与探讨，我们以往曾开发出基于Toeplitz矩阵的时间序列高斯过程回归技术处理了六万维矩阵求逆和两万四千维数据，这一结果或可以借鉴用以开发神经网络超万维数据处理技术。
　　笔者：您于2006年回国后受聘于中山大学信科院电子系至今，主要研究领域是冗余机器人、递归神经网络、高斯过程、科学计算和软硬件开发。能否在这些您潜心研究的方面针对国内的发展状况提出一些前瞻性的建议?
　　张雨浓：我在回国前后一直保持和坚持上述研究方向，从一点点地开始展开到目前大约已有12年了。这些研究方向外在的领域看起来不同，但本质、本原、核心、基础的东西却大致相通，就国内科研发展状况而言，我的一个简单粗泛的理解是，我们的国内同行、前辈乃至后学其实都已经做得很好了，也许已经在登世界科技的舞台了，但如果还能够往本质、本原，核心、基础的方向上再继续深入地挖掘，也许会更好，更能够找到自主创新的东西来。基础、应用基础以及自由探索式研究可以更加强一些：对科学的成见、误解或偏见可以再少一些，多用科学的态度、逻辑和证据作分析判断。再比如国内科研评审可以更加科学一些，可以更加注重内容和质量一些，这样就蛮好。