祝贺｜我会顾问、中国自动化学会副理事长、澳门大学讲座教授陈俊龙当选欧洲科学院外籍院士！

近日，欧洲科学院公布了2018年新当选的院士名单，深圳产学研合作促进会顾问、中国自动化学会副理事长、澳门大学讲座教授陈俊龙当选为欧洲科学院外籍院士。

欧洲科学院（拉丁文 Academia Europaea，英文The Academy of Europe）由英国皇家学会与欧洲各国的国家科学院于1988年共同发起成立，总部位于英国伦敦，共分21个学部，其学科领域涵盖人文科学、社会科学、自然科学和科学技术等，是国际上跨地域和学术领域最广泛、学术地位最高、影响最大的科学组织之一。

欧洲科学院院士选举每年举行一次，其程序包括同行提名、严格的学术审查、学组与学部多轮投票，最后由欧洲科学院的理事会批准产生。目前，欧洲科学院的院士包括73位诺贝尔奖获得者、15位菲尔兹奖获得者、6位图灵奖获得者等。该院目前共有近100多位外籍院士，不足5%，主要来自自然科学领域。

陈俊龙教授简介

陈俊龙（C. L. Philip Chen）博士，国家千人学者、国家特聘专家，中国自动化学会副理事长及会士，澳门科协副会长，澳门大学讲座教授，科技学院前院长。陈教授是 IEEE Fellow会士，美国科学促进会AAAS Fellow会士，国际模式识别学会IAPR Fellow会士，国际系统及控制论科学院IASCYS院士，香港工程师学会Fellow。陈教授现任IEEE系统人机及智能学会的期刊主编，曾任该学会国际总主席。陈教授主要科研在智能系统与控制，计算智能，混合智能，数据科学方向。

陈教授在国际重要学术刊物上发表论文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，谷歌学术引用14500多次，大部分发表的文章都在顶级期刊杂志上。在2018年有32篇高被引用文章（前1%的高引用），在“计算机科学学科”高被引用文章数目学者中世界排名在前14名。详见https://orcid.org/0000-0001-5451-7230陈教授获IEEE学会颁发的4次杰出贡献奖，是美国工学技术教育认证会（ABET）的评审委员。

澳门大学工程学科及计算机工程获得国际【华盛顿协议】的认证是陈教授对澳门工程教育的至高贡献。担任院长期间，陈教授带领澳门大学的工程学科及计算机学科双双进入世界大学学科排名前200名。他同时成立了澳门大学珠海研究院，担任创院院长，承接我国基金委项目。2016年他获得了母校美国普度大学的杰出电机及计算机工程奖。

个人成就

任职讲座教授期间，致力于学院的学术发展。在澳大期间已指导毕业9位博士生，而且都在国内高校担任年轻教授。其中两位在国内985，211大学，其它的在省级重点大学。目前有10位在读博士生跟陈教授研读。
获得了4项澳门科技基金委员会的科研资助（其中一项是我国科技部的联合基金项目）。
主持一项我国自然科学基金委的重点项目，共同主持一项自然科学基金委的重点项目，主持一项面上研究基金。同时也获得5项学校的研究基金。
参与并共同主持澳门劳工局的世界技能竞赛机器人的计划项目。
参与并共同主持澳门科技基金委的智能城市“智能出行”计划项目。
连续每年主持/共同主持暑期的科普项目，提高本澳的高中生对科学的兴趣。
以澳门大学为主要的技术支持单位主持及主办多个国际会议。
两次获得澳门科学进步奖（一次第三等，一次第二等）。
学术论文他被引方面：陈教授在2016年的论文他被引的次数是1208次，是整个澳门大学论文他被引的次数12426次的十分之一（1/10）。
陈教授在在2017年的论文他被引的次数是1815次，是整个澳门大学17676次的十分之一（1/10）。
2016年澳门大学45篇期刊文章在Web of Science被列为高被引文章中，其中陈俊龙教授有19篇——是澳大的42% 。
2017/2018年陈俊龙教授有32篇高被引论文，是澳门大学82篇的38%。
2016年在高被引文章的他引次数，澳大有2848次，其中陈教授部分有1399次——是澳大的49%。

重点研究方向

深层结构神经网络和学习已经在许多领域得到应用，并在大规模数据处理上取得了突破性的成功。虽然深度结构网络非常强大，但大多数网络都被极度耗时的训练过程所困扰。其中最主要的原因是，上述深度网络都结构复杂并且涉及到大量的超参数。另外，这种复杂性使得在理论上分析深层结构变得极其困难。另一方面，为了在应用中获得更高的精度，深度模型不得不持续地增加网络层数或者调整参数个数。因此近年来，一系列以提高训练速度为目的的深度网络以及相应的结合方法逐渐引起人们关注。

陈俊龙教授在近年来致力于解决这一问题。结合他在早期所做的单隐层网络的相关研究，陈俊龙教授提出了一个名为“宽度学习系统”（Broad Learning System，BLS）的网络结构，并从去年开始在多个场合提及这一概念。

关于该理论的相关研究，原文正式发表在IEEE Transactions on Neural Networks and Learning Systems, Vol. 29, Issue 1, 2018 （点击查看澳门大学陈俊龙 | 宽度学习系统：一种不需要深度结构的高效增量学习系统）

宽度学习系统（BLS）是基于将映射特征作为RVFLNN输入的思想设计的。此外，BLS可以在新加入的数据以有效和高效的方式更新系统（输入的增量学习）。BLS的设计思路为：首先，利用输入数据映射的特征作为网络的“特征节点”。其次，映射的特征被增强为随机生成权重的“增强节点”。最后，所有映射的特征和增强节点直接连接到输出端，对应的输出系数可以通过快递的Pseudo伪逆得出。为了在宽度上扩展特征节点和增强节点，论文中额外设计了对应的宽度学习算法。同时，如果网络结构需要扩展，论文同时提出了无需完整网络再训练的快速增量学习算法。

陈俊龙教授认为，BLS逼近性优、算法快的特性能够使其很快成为主流训练方法。在智能控制方面，类似BLS单隐层的神经网络已非常的流行。这一点在大数据时代下显得较为实用：当系统收集到新输入数据时，在短时间内可以直接对节点进行更新，保证了系统的完整性。

同时，BLS的主要应用场景集中在智能控制的环境中进行实时更新学习，譬如在智能家居的环境中更新语音识别、人物识别、物体识别的相关系统，那么BLS也能在其中发挥它的重要优势，甚至成为主流。

目前，陈俊龙教授将工作重点放在BLS的算法优化和稳定研究上，除此之外，寻找应用的行业与场景也成为了陈俊龙教授接下来一段时间的工作要点。

Universal Approximation Capability of Broad Learning System and Its Structural Variations

（https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8457525）

该论文主要讨论了不同种类的BLS变形。

Fuzzy Broad Learning System: A Novel Neuro-Fuzzy Model for Regression and Classification

（https://ieeexplore.ieee.org/abstract/document/8432091/）

该论文讨论了将模糊神经用在左边的feature nodes，构成了以BLS的Neuro-Fuzzy网络。

Structured Manifold Broad Learning System: A Manifold Perspective for Large-Scale Chaotic Time Series Analysis and Prediction

（https://ieeexplore.ieee.org/abstract/document/8440718/）

该论文讨论了Manifold算法及在Large-Scale Chaotic Time Series Analysis and Prediction中的重要结果。

▼

回顾

了解

Tel

Email

Website

www.sziur.com

来源｜德先生

编辑 | 容佩怡检校 | 汤嘉利审定 | 王代超