机器学习论文2000字

机器学习论文2000字

当你做好了一个研究工作, 准备发表出来与同仁们分享, 一个首要的任务是把你的工作变成一篇文章。问题来了，怎样写作一篇高质量的文章呢？我们以机器学习领域的应用型文章为例，探讨一下论文写作的问题。注意，任何好的文章都要以好的研究工作为基础，我们这里不谈你的研究工作质量如何，只讨论文章的写作问题。要把一个工作写清楚，当然要先把它想清楚，要不然你写什么呢。那么就别急着写，让我们先想。想什么？首先，请问你自己十个问题，如果这十个问题都已经想清楚了，那么就是出手的时候了。否则，我个人建议你先歇一歇。不然写了也白写。哪十个问题呢？
问题一：你要解什么问题？
问题二：为什么说你要解的问题很重要，有意义？
问题三：这个问题中有什么挑战和难点？
问题四：还有谁解过类似或相关的问题？
问题五：他们是怎么做的？
问题六：你的做法是怎么解决这些挑战的？
问题七：你的方法有何与众不同之处？
问题八：为什么说你的方法比别人的好？
问题九：有何证据证明你的方法真的好？
问题十：你的工作的结论和局限性是什么？
看起来好像很罗嗦是吧。我们很快会讲到，任何一个问题回答不清楚都有可能让你的文章变成让人撕心裂肺的拒信。另一方面，你的文章从头到尾其实就是在回答这些问题。一般来讲，一篇文章分成如下几个常见的部分。标题（Title），摘要（Abstract），简介（Introduction），相关工作（Related Work），问题定义（Problem Formulation），问题求解 （Our Solution），实验（Experiments），讨论（Discussion），结论与下一步工作（Conclusion and Future Work），附录 （Appendix），其它（关键词-Keywords，文章类别-Category，索引- Reference）。

计算机论文范文5000字

近年来,随着就业竞争越演越烈,关于 毕业 生就业质量问题的研讨亦日益广泛深入。下面是我为大家推荐的计算机论文，供大家参考。

计算机论文 范文 一：认知无线电系统组成与运用场景探析

认知无线电系统组成

认知无线电系统是指采用认知无线电技术的无线通信系统，它借助于更加灵活的收发信机平台和增强的计算智能使得通信系统更加灵活。认知无线电系统主要包括信息获取、学习以及决策与调整3个功能模块，如图1所示[3]。

认知无线电系统的首要特征是获取无线电外部环境、内部状态和相关政策等知识，以及监控用户需求的能力。认知无线电系统具备获取无线电外部环境并进行分析处理的能力，例如，通过对当前频谱使用情况的分析，可以表示出无线通信系统的载波频率和通信带宽，甚至可以得到其覆盖范围和干扰水平等信息;认知无线电系统具备获取无线电内部状态信息能力，这些信息可以通过其配置信息、流量负载分布信息和发射功率等来得到;认知无线电系统具备获取相关政策信息的能力，无线电政策信息规定了特定环境下认知无线电系统可以使用的频带，最大发射功率以及相邻节点的频率和带宽等;认知无线电系统具备监控用户需求并根据用户需求进行决策调整的能力。如表1所示，用户的业务需求一般可以分为话音、实时数据(比如图像)和非实时数据(比如大的文件包)3类，不同类型的业务对通信QoS的要求也不同。

认知无线电系统的第2个主要特征是学习的能力。学习过程的目标是使用认知无线电系统以前储存下来的决策和结果的信息来提高性能。根据学习内容的不同， 学习 方法 可以分为3类。第一类是监督学习，用于对外部环境的学习，主要是利用实测的信息对估计器进行训练;第2类是无监督学习，用于对外部环境的学习，主要是提取外部环境相关参数的变化规律;第3类是强化学习，用于对内部规则或行为的学习，主要是通过奖励和惩罚机制突出适应当前环境的规则或行为，抛弃不适合当前环境的规则或行为。机器学习技术根据学习机制可以分为:机械式学习、基于解释的学习、指导式学习、类比学习和归纳学习等。

认知无线电系统的第3个主要特性是根据获取的知识，动态、自主地调整它的工作参数和协议的能力，目的是实现一些预先确定的目标，如避免对其他无线电系统的不利干扰。认知无线电系统的可调整性不需要用户干涉。它可以实时地调整工作参数，以达到合适的通信质量;或是为了改变某连接中的无线接入技术;或是调整系统中的无线电资源;或是为了减小干扰而调整发射功率。认知无线电系统分析获取的知识，动态、自主地做出决策并进行重构。做出重构决策后，为响应控制命令，认知无线电系统可以根据这些决策来改变它的工作参数和/或协议。认知无线电系统的决策过程可能包括理解多用户需求和无线工作环境，建立政策，该政策的目的是为支持这些用户的共同需求选择合适的配置。

认知无线电与其他无线电的关系

在认知无线电提出之前，已经有一些“某某无线电”的概念，如软件定义无线电、自适应无线电等，它们与认知无线电间的关系如图2所示。软件定义无线电被认为是认知无线电系统的一种使能技术。软件定义无线电不需要CRS的特性来进行工作。SDR和CRS处于不同的发展阶段，即采用SDR应用的无线电通信系统已经得到利用，而CRS正处于研究阶段，其应用也正处于研究和试验当中。SDR和CRS并非是无线电通信业务，而是可以在任何无线电通信业务中综合使用的技术。自适应无线电可以通过调整参数与协议，以适应预先设定的信道与环境。与认知无线电相比，自适应无线电由于不具有学习能力，不能从获取的知识与做出的决策中进行学习，也不能通过学习改善知识获取的途径、调整相应的决策，因此，它不能适应未预先设定的信道与环境。可重构无线电是一种硬件功能可以通过软件控制来改变的无线电，它能够更新部分或全部的物理层波形，以及协议栈的更高层。基于策略的无线电可以在未改变内部软件的前提下通过更新来适应当地监管政策。对于较新的无线电网络，因特网路由器一直都是基于策略的。这样，网络运营商就可以使用策略来控制访问权限、分配资源以及修改网络拓扑结构和行为。对于认知无线电来说，基于策略技术应该能够使产品可以在全世界通用，可以自动地适应当地监管要求，而且当监管规则随时间和 经验 变化时可以自动更新。智能无线电是一种根据以前和当前情况对未来进行预测，并提前进行调整的无线电。与智能无线电比较，自适应无线电只根据当前情况确定策略并进行调整，认知无线电可以根据以前的结果进行学习，确定策略并进行调整。

认知无线电关键技术

认知无线电系统的关键技术包括无线频谱感知技术、智能资源管理技术、自适应传输技术与跨层设计技术等，它们是认知无线电区别传统无线电的特征技术[4，5]。

频谱检测按照检测策略可以分为物理层检测、MAC层检测和多用户协作检测，如图3所示。3.1.1物理层检测物理层的检测方法主要是通过在时域、频域和空域中检测授权频段是否存在授权用户信号来判定该频段是否被占用，物理层的检测可以分为以下3种方式:发射机检测的主要方法包括能量检测、匹配滤波检测和循环平稳特性检测等，以及基于这些方法中某一种的多天线检测。当授权用户接收机接收信号时，需要使用本地振荡器将信号从高频转换到中频，在这个转换过程中，一些本地振荡器信号的能量不可避免地会通过天线泄露出去，因而可以通过将低功耗的检测传感器安置在授权用户接收机的附近来检测本振信号的能量泄露，从而判断授权用户接收机是否正在工作。干扰温度模型使得人们把评价干扰的方式从大量发射机的操作转向了发射机和接收机之间以自适应方式进行的实时性交互活动，其基础是干扰温度机制，即通过授权用户接收机端的干扰温度来量化和管理无线通信环境中的干扰源。MAC层检测主要关注多信道条件下如何提高吞吐量或频谱利用率的问题，另外还通过对信道检测次序和检测周期的优化，使检测到的可用空闲信道数目最多，或使信道平均搜索时间最短。MAC层检测主要可以分为以下2种方式:主动式检测是一种周期性检测，即在认知用户没有通信需求时，也会周期性地检测相关信道，利用周期性检测获得的信息可以估计信道使用的统计特性。被动式检测也称为按需检测，认知用户只有在有通信需求时才依次检测所有授权信道，直至发现可用的空闲信道。由于多径衰落和遮挡阴影等不利因素，单个认知用户难以对是否存在授权用户信号做出正确的判决，因此需要多个认知用户间相互协作，以提高频谱检测的灵敏度和准确度，并缩短检测的时间。协作检测结合了物理层和MAC层功能的检测技术，不仅要求各认知用户自身具有高性能的物理层检测技术，更需要MAC层具有高效的调度和协调机制。

智能资源管理的目标是在满足用户QoS要求的条件下，在有限的带宽上最大限度地提高频谱效率和系统容量，同时有效避免网络拥塞的发生。在认知无线电系统中，网络的总容量具有一定的时变性，因此需要采取一定的接入控制算法，以保障新接入的连接不会对网络中已有连接的QoS需求造成影响。动态频谱接入概念模型一般可分为图4所示的3类。动态专用模型保留了现行静态频谱管理政策的基础结构，即频谱授权给特定的通信业务专用。此模型的主要思想是引入机会性来改善频谱利用率，并包含2种实现途径:频谱产权和动态频谱分配。开放共享模型，又称为频谱公用模型，这个模型向所有用户开放频谱使其共享，例如ISM频段的开放共享方式。分层接入模型的核心思想是开放授权频谱给非授权用户，但在一定程度上限制非授权用户的操作，以免对授权用户造成干扰，有频谱下垫与频谱填充2种。认知无线电中的频谱分配主要基于2种接入策略:①正交频谱接入。在正交频谱接入中，每条信道或载波某一时刻只允许一个认知用户接入，分配结束后，认知用户之间的通信信道是相互正交的，即用户之间不存在干扰(或干扰可以忽略不计)。②共享频谱接入。在共享频谱接入中，认知用户同时接入授权用户的多条信道或载波，用户除需考虑授权用户的干扰容限外，还需要考虑来自其他用户的干扰。根据授权用户的干扰容限约束，在上述2种接入策略下又可以分为以下2种频谱接入模式:填充式频谱接入和下垫式频谱接入。对于填充式频谱接入，认知用户伺机接入“频谱空穴”，它们只需要在授权用户出现时及时地出让频谱而不存在与授权用户共享信道时的附加干扰问题，此种方法易于实现，且不需要现有通信设备提供干扰容限参数。在下垫式频谱接入模式下，认知用户与授权用户共享频谱，需要考虑共用信道时所附加的干扰限制。

在不影响通信质量的前提下，进行功率控制尽量减少发射信号的功率，可以提高信道容量和增加用户终端的待机时间。认知无线电网络中的功率控制算法设计面临的是一个多目标的联合优化问题，由于不同目标的要求不同，存在着多种折中的方案。根据应用场景的不同，现有的认知无线电网络中的功率控制算法可以分成2大类:一是适用于分布式场景下的功率控制策略，一是适用于集中式场景下的功率控制策略。分布式场景下的功率控制策略大多以博弈论为基础，也有参考传统Adhoc网络中功率控制的方法，从集中式策略入手，再将集中式策略转换成分布式策略;而集中式场景下的功率控制策略大多利用基站能集中处理信息的便利，采取联合策略，即将功率控制与频谱分配结合或是将功率控制与接入控制联合考虑等。

自适应传输可以分为基于业务的自适应传输和基于信道质量的自适应传输。基于业务的自适应传输是为了满足多业务传输不同的QoS需求，其主要在上层实现，不用考虑物理层实际的传输性能，目前有线网络中就考虑了这种自适应传输技术。认知无线电可以根据感知的环境参数和信道估计结果，利用相关的技术优化无线电参数，调整相关的传输策略。这里的优化是指无线通信系统在满足用户性能水平的同时，最小化其消耗的资源，如最小化占用带宽和功率消耗等。物理层和媒体控制层可能调整的参数包括中心频率、调制方式、符号速率、发射功率、信道编码方法和接入控制方法等。显然，这是一种非线性多参数多目标优化过程。

现有的分层协议栈在设计时只考虑了通信条件最恶劣的情况，导致了无法对有限的频谱资源及功率资源进行有效的利用。跨层设计通过在现有分层协议栈各层之间引入并传递特定的信息来协调各层之间的运行，以与复杂多变的无线通信网络环境相适应，从而满足用户对各种新的业务应用的不同需求。跨层设计的核心就是使分层协议栈各层能够根据网络环境以及用户需求的变化，自适应地对网络的各种资源进行优化配置。在认知无线电系统中，主要有以下几种跨层设计技术:为了选择合适的频谱空穴，动态频谱管理策略需要考虑高层的QoS需求、路由、规划和感知的信息，通信协议各层之间的相互影响和物理层的紧密结合使得动态频谱管理方案必须是跨层设计的。频谱移动性功能需要同频谱感知等其他频谱管理功能结合起来，共同决定一个可用的频段。为了估计频谱切换持续时间对网络性能造成的影响，需要知道链路层的信息和感知延迟。网络层和应用层也应该知道这个持续时间，以减少突然的性能下降;另外，路由信息对于使用频谱切换的路由发现过程也很重要。频谱共享的性能直接取决于认知无线电网络中频谱感知的能力，频谱感知主要是物理层的功能。然而，在合作式频谱感知情况下，认知无线电用户之间需要交换探测信息，因此频谱感知和频谱共享之间的跨层设计很有必要。在认知无线电系统中，由于多跳通信中的每一跳可用频谱都可能不同，网络的拓扑配置就需要知道频谱感知的信息，而且，认知无线电系统路由设计的一个主要思路就是路由与频谱决策相结合。

认知无线电应用场景

认知无线电系统不仅能有效地使用频谱，而且具有很多潜在的能力，如提高系统灵活性、增强容错能力和提高能量效率等。基于上述优势，认知无线电在民用领域和军用领域具有广阔的应用前景。

频谱效率的提高既可以通过提高单个无线接入设备的频谱效率，也可以通过提高各个无线接入技术的共存性能。这种新的频谱利用方式有望增加系统的性能和频谱的经济价值。因此，认知无线电系统的这些共存/共享性能的提高推动了频谱利用的一种新方式的发展，并且以一种共存/共享的方式使获得新的频谱成为可能。认知无线电系统的能力还有助于提高系统灵活性，主要包括提高频谱管理的灵活性，改善设备在生命周期内操作的灵活性以及提高系统鲁棒性等。容错性是通信系统的一项主要性能，而认知无线电可以有效改善通信系统的容错能力。通常容错性主要是基于机内测试、故障隔离和纠错 措施 。认知无线电对容错性的另一个优势是认知无线电系统具有学习故障、响应和错误信息的能力。认知无线电系统可以通过调整工作参数，比如带宽或者基于业务需求的信号处理算法来改善功率效率。

认知无线电所要解决的是资源的利用率问题，在农村地区应用的优势可以 总结 为如下。农村无线电频谱的使用，主要占用的频段为广播、电视频段和移动通信频段。其特点是广播频段占用与城市基本相同，电视频段利用较城市少，移动通信频段占用较城市更少。因此，从频率域考虑，可利用的频率资源较城市丰富。农村经济发达程度一般不如城市，除电视频段的占用相对固定外，移动通信的使用率不及城市，因此，被分配使用的频率利用率相对较低。由于农村地广人稀，移动蜂窝受辐射半径的限制，使得大量地域无移动通信频率覆盖，尤其是边远地区，频率空间的可用资源相当丰富。

在异构无线环境中，一个或多个运营商在分配给他们的不同频段上运行多种无线接入网络，采用认知无线电技术，就允许终端具有选择不同运营商和/或不同无线接入网络的能力，其中有些还可能具有在不同无线接入网络上支持多个同步连接的能力。由于终端可以同时使用多种 无线网络 ，因此应用的通信带宽增大。随着终端的移动和/或无线环境的改变，可以快速切换合适的无线网络以保证稳定性。

在军事通信领域，认知无线电可能的应用场景包括以下3个方面。认知抗干扰通信。由于认知无线电赋予电台对周围环境的感知能力，因此能够提取出干扰信号的特征，进而可以根据电磁环境感知信息、干扰信号特征以及通信业务的需求选取合适的抗干扰通信策略，大大提升电台的抗干扰水平。战场电磁环境感知。认知无线电的特点之一就是将电感环境感知与通信融合为一体。由于每一部电台既是通信电台，也是电磁环境感知电台，因此可以利用电台组成电磁环境感知网络，有效地满足电磁环境感知的全时段、全频段和全地域要求。战场电磁频谱管理。现代战场的电磁频谱已经不再是传统的无线电通信频谱，静态的和集重视的频谱管理策略已不能满足灵活多变的现代战争的要求。基于认知无线电技术的战场电磁频谱管理将多种作战要素赋予频谱感知能力，使频谱监测与频谱管理同时进行，大大提高了频谱监测网络的覆盖范围，拓宽了频谱管理的涵盖频段。

结束语

如何提升频谱利用率，来满足用户的带宽需求;如何使无线电智能化，以致能够自主地发现何时、何地以及如何使用无线资源获取信息服务;如何有效地从环境中获取信息、进行学习以及做出有效的决策并进行调整，所有这些都是认知无线电技术要解决的问题。认知无线电技术的提出，为实现无线环境感知、动态资源管理、提高频谱利用率和实现可靠通信提供了强有力的支撑。认知无线电有着广阔的应用前景，是无线电技术发展的又一个里程碑。

计算机论文范文二：远程无线管控体系的设计研究

1引言

随着我国航天事业的发展,测量船所承担的任务呈现高密度、高强度的趋势,造成码头期间的任务准备工作越来越繁重,面临着考核项目多、考核时间短和多船协调对标等现实情况,如何提高对标效率、确保安全可靠对标成为紧迫的课题。由于保密要求,原研制的远程标校控制系统无法接入现有网络,而铺设专网的耗资巨大,性价比低,也非首选方案。近些年来,无线通信已经成为信息通信领域中发展最快、应用最广的技术,广泛应用于家居、农业、工业、航天等领域,已成为信息时代社会生活不可或缺的一部分[1],这种技术也为解决测量船远程控制标校设备提供了支持。本文通过对常用中远距离无线通信方式的比较,择优选择了无线网桥,采用了桥接中继的网络模式,通过开发远程设备端的网络控制模块,以及相应的控制软件,实现了测量船对远程设备的有效、安全控制。

2无线通信方式比较

无线通信技术是利用电磁波信号在自由空间中进行信息传播的一种通信方式,按技术形式可分为两类:一是基于蜂窝的接入技术,如蜂窝数字分组数据、通用分组无线传输技术、EDGE等;二是基于局域网的技术,如WLAN、Bluetooth、IrDA、Home-RF、微功率短距离无线通信技术等。在中远距离无线通信常用的有ISM频段的通信技术(比如ZigBee以及其他频段的数传模块等)和无线 网络技术 (比如GSM、GPRS以及无线网桥等)。基于ISM频段的数传模块的通信频率为公共频段,产品开发没有限制,因此发展非常迅速,得到了广泛应用。特别是近年来新兴的ZigBee技术,因其低功耗、低复杂度、低成本,尤其是采用自组织方式组网,对网段内设备数量不加限制,可以灵活地完成网络链接,在智能家居、无线抄表等网络系统开发中得到应用[2]。但是,对于本系统的开发而言,需要分别研制控制点和被控制点的硬件模块,并需通过软件配置网络环境,开发周期长,研制成本高,故非本系统开发的最优方案。

GSM、GPRS这种无线移动通信技术已经成为人们日常生活工作必不可少的部分,在其他如无线定位、远程控制等领域的应用也屡见不鲜[3],但是由于保密、通信费用、开发成本等因素,也无法适用于本系统的开发。而无线网桥为本系统的低成本、高效率的研发提供了有利支持,是开发本系统的首选无线通信方式。无线网桥是无线网络的桥接,它可在两个或多个网络之间搭起通信的桥梁,也是无线接入点的一个分支。无线网桥工作在2•4GHz或5•8GHz的免申请无线执照的频段,因而比其他有线网络设备更方便部署,特别适用于城市中的近距离、远距离通信。

3系统设计

该远程控制系统是以保障测量船对远端标校设备的有效控制为目标,包括标校设备的开关机、状态参数的采集等,主要由测量船控制微机、标校设备、网络控制模块、主控微机以及无线网桥等组成。工作流程为测量船控制微机或主控微机发送控制指令,通过无线网桥进行信息传播,网络控制模块接收、解析指令,按照Modbus协议规定的数据格式通过串口发给某一标校设备,该标校设备响应控制指令并执行;网络控制模块定时发送查询指令,并将采集的状态数据打包,通过无线发给远程控制微机,便于操作人员监视。网络通信协议采用UDP方式,对于测量船控制微机、主控微机仅需按照一定的数据格式发送或接收UDP包即可。网络控制模块是系统的核心部件,是本文研究、设计的重点。目前,常用的网络芯片主要有ENC28J60、CP2200等,这里选用了ENC28J60,设计、加工了基于STC89C52RC单片机的硬件电路。通过网络信息处理软件模块的开发,满足了网络信息交互的功能要求;通过Modbus串口协议软件模块的开发,满足了标校设备监控功能,从而实现了系统设计目标。

3.1组网模式

无线网桥有3种工作方式,即点对点、点对多点、中继连接。根据系统的控制要求以及环境因素,本系统采用了中继连接的方式,其网络拓扑如图1所示。从图中可以清晰看出,这种中继连接方式在远程控制端布置两个无线网桥,分别与主控点和客户端进行通信,通过网络控制模块完成数据交互,从而完成组网。

3.2安全防范

由于是开放性设计,无线网络安全是一个必须考虑的问题。本系统的特点是非定时或全天候开机,涉密数据仅为频点参数,而被控设备自身均有保护措施(协议保护)。因此,系统在设计时重点考虑接入点防范、防止攻击,采取的措施有登录密码设施、网络密匙设置、固定IP、对数据结构体的涉密数据采取动态加密等方式,从而最大限度地防止了“被黑”。同时,采用了网络防雷器来防护雷电破坏。

3.3网络控制模块设计

3.3.1硬件设计

网络控制模块的功能是收命令信息、发状态信息,并通过串口与标校设备实现信息交互,其硬件电路主要由MCU(微控制单元)、ENC28J60(网络芯片)、Max232(串口芯片)以及外围电路组成,其电原理图如图2所示。硬件设计的核心是MCU、网络芯片的选型,本系统MCU选用的STC89C52RC单片机,是一种低功耗、高性能CMOS8位微控制器,可直接使用串口下载,为众多嵌入式控制应用系统提供高灵活、超有效的解决方案。ENC28J60是由M-icrochip公司出的一款高集成度的以太网控制芯片,其接口符合IEEE802.3协议,仅28个引脚就可提供相应的功能,大大简化了相关设计。ENC28J60提供了SPI接口,与MCU的通信通过两个中断引脚和SPI实现,数据传输速率为10Mbit/s。ENC28J60符合IEEE802.3的全部规范,采用了一系列包过滤机制对传入的数据包进行限制,它提供了一个内部DMA模块,以实现快速数据吞吐和硬件支持的IP校验和计算[4]。ENC28J60对外网络接口采用HR911102A,其内置有网络变压器、电阻网络,并有状态显示灯,具有信号隔离、阻抗匹配、抑制干扰等特点,可提高系统抗干扰能力和收发的稳定性。

3.3.2软件设计

网络控制模块的软件设计主要包括两部分,一是基于SPI总线的ENC28J60的驱动程序编写,包括以太网数据帧结构定义、初始化和数据收发;二是Modbus协议编制,其软件流程如图3所示。

3.3.2.1ENC28J60的驱动程序编写

(1)以太网数据帧结构符合IEEE802.3标准的以太网帧的长度是介于64~1516byte之间,主要由目标MAC地址、源MAC地址、类型/长度字段、数据有效负载、可选填充字段和循环冗余校验组成。另外,在通过以太网介质发送数据包时,一个7byte的前导字段和1byte的帧起始定界符被附加到以太网数据包的开头。以太网数据包的结构如图4所示。(2)驱动程序编写1)ENC28J60的寄存器读写规则由于ENC28J60芯片采用的是SPI串行接口模式,其对内部寄存器读写的规则是先发操作码<前3bit>+寄存器地址<后5bit>,再发送欲操作数据。通过不同操作码来判别操作时读寄存器(缓存区)还是写寄存器(缓冲区)或是其他。2)ENC28J60芯片初始化程序ENC28J60发送和接收数据包前必须进行初始化设置,主要包括定义收发缓冲区的大小,设置MAC地址与IP地址以及子网掩码,初始化LEDA、LEDB显示状态通以及设置工作模式,常在复位后完成,设置后不需再更改。3)ENC28J60发送数据包ENC28J60内的MAC在发送数据包时会自动生成前导符合帧起始定界符。此外,也会根据用户配置以及数据具体情况自动生成数据填充和CRC字段。主控器必须把所有其他要发送的帧数据写入ENC28J60缓冲存储器中。另外,在待发送数据包前要添加一个包控制字节。包控制字节包括包超大帧使能位(PHUGEEN)、包填充使能位(PPADEN)、包CRC使能位(PCRCEN)和包改写位(POVERRIDE)4个内容。4)ENC28J60接收数据包如果检测到为1,并且EPKTCNT寄存器不为空,则说明接收到数据,进行相应处理。

3.3.2.2ModBus协议流程

本系统ModBus协议的数据通信采用RTU模式[5],网络控制模块作为主节点与从节点(标校设备)通过串口建立连接,主节点定时向从节点发送查询命令,对应从节点响应命令向主节点发送设备状态信息。当侦测到网络数据时,从ENC28J60接收数据包中解析出命令,将对应的功能代码以及数据,按照Modbus数据帧结构进行组帧,发送给从节点;对应从节点响应控制命令,进行设备参数设置。

4系统调试与验证

试验调试环境按照图1进行布置,主要包括5个无线网桥、1个主控制点、2个客户端、1块网络控制模块板以及标校设备等,主要测试有网络通信效果、网络控制能力以及简单的安全防护测试。测试结论:网络连接可靠,各控制点均能安全地对远端设备进行控制,具备一定安全防护能力,完全满足远程设备控制要求。

5结束语

本文从实际需要出发,通过对当下流行的无线通信技术的比较,选用无线网桥实现远控系统组网;通过开发网络控制模块,以及相应的控制软件编制,研制了一套用于测量船远程控制设备的系统。经几艘测量船的应用表明,采用无线网桥进行组网完全满足系统设计要求,具有高安全性、高可靠性、高扩展性等优点,在日趋繁重的保障任务中发挥了重要的作用。本系统所采用的无线组网方法,以及硬件电路的设计方案,对其他相关控制领域均有一定的参考价值。

人工智能的期末论文

人工智能技术无论是在过去。认知心理学和人工智能。使得人工智能和心理学从最初就紧密地联系在一起。以下是我整理的人工智能的期末论文的相关资料，欢迎阅读!

摘要：人工智能技术无论是在过去。认知心理学和人工智能。使得人工智能和心理学从最初就紧密地联系在一起。

关键词：人类智能，人工智能，认知，心理学

人工智能技术无论是在过去，现在还是将来，都作为科学研究的热点问题之一。人类对自己本身的秘密充满好奇，随着生物技术的飞速发展，人类不断破译人体的生命密码。而以生物科学为基础的人工智能技术也得到了长足的发展。人们希望通过某种技术或者某些途径能够创造出模拟人思维和行为的“替代品”，帮助人们从事某些领域的工作。为了让计算机能够从事一些只有人脑才能完成的工作，解脱人的繁重的脑力劳动，人类对自身的思维和智能不断地研究探索。但是，科学技术是一柄双刃剑，人们对人工智能技术的飞速发展存在着恐慌。如果机器真的具有了人类的智能，在未来的某一天，他们会不会取代人类而成为地球的主宰者?人类智能和人工智能，谁才是未来的传奇?

1.你在和谁说话?

“先进的人工智能机器人不但拥有可以乱真的人类外表，而且还能像人类一样感知自己的存在。”这是人工智能发展到高级阶段的目标和任务。那么，我们在不久的未来能否实现这样一个目标呢?人类真的能发明出足以乱真的智能人类吗?隔着一堵墙，我们是否能分辨出正在与我们对话的是一部机器还是人类?

1.1. 人工智能的定义

人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是相对于人的智能而言的。正是由于意识是一种特殊的物质运动形式，所以根据控制论理论，运用功能模拟的方法心理学，制造电脑模拟人脑的部分功能，把人的部分智能活动机械化，叫人工智能。人工智能的本质是对人思维的信息过程的模拟，是人的智能的物化。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能发展的过程归纳为机器不断取代人的过程。

1.2. 人工智能技术的发展

几个世纪以来，人类依靠智慧，发明了许多机器，使人类能够从许多体力劳动中解放出来。从1956年正式提出人工智能学科算起，40多年来取得长足的发展，成为一门广泛的交叉和前沿科学。科学家发明了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是这些不能模仿人类大脑的功能。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。1997年5月，IBM公司研制的深蓝(Deep Blue)计算机战胜了国际象棋大师卡斯帕洛夫(Kasparov)。在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。计算机的出现，使得人工智能有了突破性的进展。计算机不仅能代替人脑的某些功能，而且在速度和准确性上大大超过人脑，它不仅能模拟人脑部分分析和综合的功能，而且越来越显示某种意识的特性。真正成了人脑的延伸和增强。

1.3. 人工智能的研究领域

人工智能是一种外向型的学科，也是一门多领域综合学科。它不但要求研究它的人懂得人工智能的知识，而且要求有比较扎实的数学基础，哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。而人工智能的最根本目的是模拟人类的思维，因此，它的研究领域与人类活动息息相关。什么地方只要有人在工作，他就可以运用到那个领域。

现阶段主要研究领域有专家系统，机器学习，模式识别，自然语言理解，自动定理证明，自动程序设计心理学，机器人学，博弈，智能决定支持系统和人工神经网络等等。

2.机器真的可以思考吗?

机器真的可以思考吗?机器的思考归根结底还是模仿人类的思维模式，正是“思考”这一人类的本质属性，使得人工智能和心理学从最初就紧密地联系在一起。心理学研究人脑中信息的输入、输出、存储和加工，并研究人脑各个部位的功能。最早的双核计算机模仿人的左右脑，在人脑不同区域主管各个不同功能这一原理的基础上，来设计负责不同功能的芯片。以此为出发点，心理学家和计算机学者进一步合作，通过研究人解决问题的方法来研究开发人工智能。随着人工智能的发展，所要求实现的职能愈加复杂，但最基本的方式还是逻辑推理和归纳，这正是心理学家和逻辑学家的专业领域。心理学家以研究探讨人类逻辑思维方式为人工智能提供了基本原理和原则。

2.1. 人类意识的本质

意识是世界的内在规定、一般规律和组成部分，是具有客观实在性同世界的其它组成部分处在对立统一关系中的事物。意识普遍存于世界和万物之中，世界是包含意识的世界，万物是包含意识的万物。没有意识存在于其中的世界不是我们现实生活中的世界，没有意识存在于其中的万物也不是我们天天眼见手触的万物。有了意识的存在，世界和万物就有了生机和活力。

2.1.1. 意识是与物质相对应的哲学范畴，与物质既相对立又相统一的精神现象。

意识是自然界长期发展的产物，由无机物的反应特性，到低等生物的刺激感应性，再到动物的感觉和心理这一生物进化过程是意识得以产生的自然条件。意识是社会的产物，人类社会的物质生产劳动在意识的产生过程中起决定的作用。辩证唯物主义在强调物质对意识起决定作用的前提下肯定意识对于物质具有能动的反作用，在意识活动中人们从感性经验抽象出事物的本质、规律形成理性认识，又运用这些认识指导自己有计划、有目的地改造客观世界。

2.1.2. 从意识的起源看，意识是物质世界发展到一定阶段的产物;从意识的本质来看，意识是客观存在在人脑中的反映。

意识是人脑对客观存在的反映：第一，正确的思想意识与错误的思想意识都是客观存在在人脑中的反映;第二，无论是人的具体感觉还是人的抽象思维，都是人脑对客观事物的反映;第三，无论是人们对现状的感受与认识，还是人们对过去的思考与总结，以至人们对未来的预测，都是人脑对客观事物的反映。 意识的能动作用首先表现在，意识不仅能够正确反映事物的外部现象，而且能够正确反映事物的本质和规律;意识的能动作用还突出表现在，意识能够反作用于客观事物，以正确的思想和理论为指导心理学，通过实践促进客观事物的发展。

2.2. 人类意识与人工智能的关系

认知心理学和人工智能，是认知科学的两个组成部分。人工智能使用了心理学的理论，心理学又借用了人工智能的成果。人类意识与人工智能两者具有以下关系：

l人工智能是研究用机器模拟和扩展人的智能的科学。它撇开了人脑的内在结构和意识的社会性，而只是把人脑作为一种信息处理的过程，包括信息的接收、记忆、分析、控制和输出五部分。现代科学技术用相应的部件来完成着五个过程，就构成了人工智能或电脑。

l人工智能可以代替人的某些脑力劳动，甚至可以超过人的部分思维能力，随着现代科学技术的发展，它发挥着越来越重要的作用。人工智能的出现不仅解放了人的智力，而且为研究人脑的意识活动提供了新的方法和途径。它说明了人的意识活动不管多么复杂，都是以客观物质过程为基础的，而不是什么神秘的超物质的东西，人们完全可以用自然科学的精确方法来加以研究和模拟，它进一步证实了辩证唯物主义意识论的科学性。

l人工智能的产生和发展，深化了我们对意识相对独立性和能动性的认识。机器思维即人工智能表明，思维形式在思维活动中对于思维内容具有相对独立性，它可从人脑中分化出来，物化为机械的、物理的运动形式，部分地代替人的思维活动。

随着科学技术的发展，人工智能将向更高水平发展，反过来推动科学技术、生产力和人类智慧向更高水平发展，对人类社会进步将起着巨大的推动作用。

3. 人工智能的未来

人工智能是为了模拟人类大脑的活动而产生的科学，人类已经可以用许多新技术新材料模拟人体的许多功能，诸如皮肤，毛发，骨骼等等，也就是说，人类可以创造出“类人体”。只要能够模拟人的大脑的功能，人就可以完成人工生命的研究工作，人创造自己，这不但在科学上，而且在哲学上都具有划时代的意义。这就是人工智能承担的历史使命。

在科学技术日新月异的今天，知识爆炸，科技的增长超出了人类承受的速度。各种新科技的出现层出不穷，随之而来的成果简直让人瞠目结舌，克隆、基因芯片、转基因等等，人类自身的秘密开始一层一层的揭开。我们人脑的复杂结构，人体的基因链也逐渐被科学技术解剖。我们希望将来的人工智能机器能将我们从繁重的体力劳动和脑力劳动中解放出来心理学，例如机器人做家务，带孩子，做司机，秘书等等一系列我们不愿意花太多精力或者有太多限制条件的工作。然而，人类由于多种“性能”都不如机器人，反而退化成为机器人的奴隶?他们会不会有一天无法忍受人类对他们的“剥削”和“压迫”，挑战人类的统治?很多的科幻作品和电影中都预言了这样的场景，未来的智能机器人和人类争夺有限的地球资源，并最终打败人类，成为新的地球统治者。这也正是绝大多数心理学家和哲学家对人工智能的发展忧心忡忡的原因。

人工智能的发展，也只能无限接近于人的智能，而不能超越人的智能。因为人工智能技术的本质，是模拟人类的思维过程，是为人类服务的。我们在进行发明创造的同时，担心被我们所发明的物质所毁灭。正如人类发明了原子能，用于取代正在逐渐消逝的矿物能源，然而当原子能用于军事领域的时候，他产生的力量也足以毁灭人类文明。科技本身并不是问题，人类如何运用自己掌握的技术，才是问题的关键。我们最大的敌人不是我们发明的技术，而是我们自己本身。

【参考文献】

1.李建国人工智能与认知心理学[J]. 西南师范大学学报 1986年4月第二期 142-146页

2.郑南宁认知过程的信息处理和新型人工智能系统[J]. 中国基础科学.科学前沿2008年 9-18页

3.蔡自兴，徐光�人工智能及其应用(第三版)[M].北京.清华大学出版社 2004年

4.(美)Sternberg,R.J.认知心理学[M] .北京.中国轻工业出版社 2006年

5.(美)Nils n 人工智能[M].北京. 机械工业出版社 2004年

下一页分享更优秀的<<<人工智能的期末论文

不要引用「没有免费的午餐定理」了

不要只顾引用不看原文。

AI 科技 评论按： 「没有免费的午餐定理」一度是机器学习界最常被谈起的定理之一（真正长期被谈起的自然是「更多的数据等于更好的表现」）。不过机器学习科学家 Andreas Mueller 最近撰文表示大家都引用错定理了，其实事情比这更复杂，也有更深远的启示。

Andreas Mueller 是哥伦比亚大学数据科学研究院的助理研究科学家，也是《Introduction to machine learning with Python》一书的作者；他还是 scikit-learn 机器学习库的核心开发者之一。

AI 科技 评论把他的这篇博客全文编译如下。

首先一句话概括我这篇文章要说什么：大家以后尽量不要再引用 Wolpert 的「没有免费的午餐定理」了。如果你已经在哪里引用过，那你很有可能用它支持了错误的结论。他的句话实际上想表达的是「你不可能在没有假设的情况下从数据中学习」。

提出「没有免费的午餐定理」这个概念的，实际上是 David H. Wolpert 的《The Lack of A Priori Distinctions Between Learning Algorithms》（https:// www .doi/abs/10.1162/neco.1996.8.7. 134 1）这篇论文。机器学习领域里有不少论文，它们经常被引用，但是没什么人认真读过论文内容；这篇论文就是其中之一。大多数机器学习领域内的人提起这篇论文的时候都是想要说明「某个模型不可能在每个方面都是最好的」，或者「某个模型不会在每个方面都比另一个模型强」。但实际上这并不是 Wolpert 的这篇论文、这个定理真正想要表达的内容，所以大家未来不应该这样引用这个定理，我会在下文里仔细说明这件事；以及，即便单独考虑大众想要说明的「某个模型不可能在每个方面都是最好的」，其实这个结论也是有问题的。

《Understanding Machine Learning》里提出的那个定理和 Wolpert 的很不一样，我的理解是， Shalev-Shwarz 和 Ben-David 两人提出这个定理就是为了给「没有免费的午餐」提出与 Wolpert 不同的、新的诠释，而其实他们的定理内容是「某个模型不可能在每个方面都是最好的」，不过他们的表达方式非常具体。某种程度上说，他们描述这个定理的方式要比我们从现在的字面上所能感受到的要清晰明确得多。但我不太赞同他们用一个已有的名字来命名这个定理的做法。

Wolpert 最早的那篇论文的主要内容可以总结为「在这个定理的假设之下，任何两个预测函数的泛化能力都是相同的」。这里有两个关键部分：假设和结论。

只看结论「任何两个预测函数的泛化能力都是相同的」的话，经常会有人理解为类似「梯度提升不会总是最好的」这样。但实际上它想说的是「梯度提升几乎每次都能找到出现频率最高的类」或者「神经网络几乎每次都能预测到出现频率最低的类」。显然这和我们的机器学习实践经验是冲突的。但根据这个定理的说法，在泛化性质方面它就和你能找到的最好的模型一样。所以这是怎么回事？

理解这个定理的关键是理解定理中的假设。这个定理中的假设并不是机器学习研究中常用的那个「数据来自某个给定分布中的独立同分布」假设，恰恰相反，Wolpert 假设数据是一个有限集，而且训练和测试是独立的、各自对应不同分布的数据。这个假设并非没有合理之处，在实际中我们的数据总是有限的，而且我们希望看看模型在此前从未见过的新数据上表现如何。这样的假设让 Wolpert 能够考虑到所有可能的数据集的情况。那么，这个定理就是阐述在这个假设下、在所有可能的数据集上对比两个算法的表现。

虽然这个假设对于机器学习研究来说有一些合理之处，但其实问题也不小：

说成这样以后，我们就能看出来这些假设对于任何预测建模都算不上有利。

那么现在我们可以尝试总结一下，或者重新表述一下 Wolpert 的「没有免费的午餐定理」到底想要说什么。单独看结论得到的「每个模型在预测成员较少的那个分类时都有同样的表现」可以理解为说「学习是不可能的」。再组合上我们对于他的假设的理解的话，就成了「如果训练数据集和测试数据集没有什么关系，而且特征和标签之间也没有什么关系，那么学习就是不可能的」。这听起来简直自然而然，不过也就和平时大家谈论的「没有免费的午餐定理」的内容大相径庭。

也有一种对这个定理的解读是「为了让学习变得可能，你需要做出一些假设」。只不过，在这篇论文里 Wolpert 做出的假设恰恰是「训练数据集和测试数据集没有什么关系，而且特征和标签之间也没有什么关系」，这样一来学习反而变得不可能了。所以，如果你想要说明的观点是「学习需要假设」的话，那你就不应该引用这一篇论文。

在我看来，这篇论文最大的意义是挑战了独立同分布假设。Wolpert 用很好的理由说明了为什么他认为这个假设不怎么妥当，以及为什么机器学习理论需要 探索 其它的理论框架。尤其是，如果数据集容量是有限的，他就提出了一个确实值得考虑的情况。在这种情况下，独立同分布假设会允许一个点同时出现在训练集和测试集中，显然这也就没办法讨论泛化性了。那么 Wolpert 提出训练集和测试集没有什么联系，也就是合理的。

不过，他提出训练集和测试集（以及标签）是相互完全独立的，这事还是有点奇怪的。我不确定他是否真的认为这是一个好的思考机器学习问题的框架。我猜测他提出这个的动机是希望整个领域重新考虑独立同分布假设是否合理，并且尝试寻找能够更好地反映机器学习实践的假设。如今许多年后回头来看，我觉得很可惜，没有更多的研究者沿着他的思路做更多的讨论，而且他提出的定理也显然被大批机器学习实践者误读了。

在文章开头我提到过还有另一个「没有免费的午餐定理」。和 Wolpert 非常不同的是，它评价模型的时候使用了独立同分布假设；在其它方面则有相似之处，在没有其它额外假设的前提下，如果你只能看到一部分数据，那么其余的数据的标签仍然是具有任意的可能的。所以，具体地来说，这个由 Shalev-Shwarz 和 Ben-David 提出的「没有免费的午餐定理」的内容是，「对于任意一个指定的预测算法，都会有它表现很糟糕的数据集，也就是说在这个数据集上别的学习者会有更好的表现」。不过这没法阻挡有人提出「算法 A 永远都比算法 B」好之类的说法，因为真正表现更好的那个算法是无法实现的（它应当是那个无需查看数据就总能生成完全正确答案的算法）。在这个思考框架里可以很轻松地证明，在一个不平衡的数据集中，预测出现频率较高的类比预测频率较低的类要更容易；而这个结论是无法在 Wolpert 的框架中得到的。

我觉得，不论你想要说明的结论是什么，几乎都不会需要引用 Wolpert 的论文。如果你想说明的是「有适当的假设就可以进行学习」，那你大概可以引用 Shalev-Shwarz 和 Ben-David 的那一整章的内容，我也不确定有没有更正式的方法来引用。如果你非常想的话，你也可以引用 Wolpert，但我觉得这带来的困惑要比帮助多多了。而如果你想说的是「对于有限数据来说，独立同分布的假设也太奇怪了」，那你就一定要引用 Wolpert！

最后，如果你想要说的是「梯度提升不可能永远比神经网络强，因为有没有免费的午餐定理」，那在我看来你搞错了，没有任何证据可以支持这样的陈述。我其实也不觉得在常用的机器学习算法之间有任何的「总是更好」或者「总是更糟糕」的优劣关系，但我同时也没听说过有任何的机器学习理论能禁止这样的事情发生（只要是在「学习是可行的」框架下讨论）。

如果你对机器学习理论感兴趣，Shalev-Shwarz 和 Ben-David 的那本书其实很棒。除此之外我还很喜欢 Mehryar Mohri, Afshin Rostamizadeh 和 Ameet Talwalkar 合著的《Foundations of Machine Learning》（）。我自己并不是一个做理论研究的人，但我觉得有一些理论基础能在思考算法的时候有一些好的思想框架。你想读一读 Wolpert 的那篇论文也不错，虽然我觉得你的最大收获会是了解他为什么不喜欢独立同分布假设，实际上论文中更多地是对机器学习理论的哲学的思考，而不是一般的机器学习理论讨论。

via .com /

2019 全球人工智能与机器人峰会

2019 年 7 月 12 日至 14 日 ，由中国计算机学会（CCF）主办、雷锋网和香港中文大学（深圳）联合承办，深圳市人工智能与机器人研究院协办的 2019 全球人工智能与机器人峰会 （简称 CCF-GAIR 2019） 将于深圳正式启幕。

届时，诺贝尔奖得主JamesJ. Heckman、中外院士、世界顶会主席、知名Fellow，多位重磅嘉宾将亲自坐阵 ，一起探讨人工智能和机器人领域学、产、投等复杂的生存态势。

求一篇2000字左右的论文:生物信息在生物学研究中的作用?

1,序列比对(Sequence Alignment)
序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.
2, 蛋白质结构比对和预测
基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.
3, 基因识别,非编码区分析研究.
基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等.
4, 分子进化和比较基因组学
分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.
5, 序列重叠群(Contigs)装配
根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.
6, 遗传密码的起源
通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.
7, 基于结构的药物设计
人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.
8.生物系统的建模和仿真
随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。
9.生物信息学技术方法的研究
生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。
10, 生物图像
没有血缘关系的人，为什么长得那么像呢？
外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？
有什么生物学基础？基因是不是相似？我不知道，希望专家解答。
11, 其他
如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学,成为系统生物学的重要研究方法.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.