【2024软考架构师自学笔记】10. 未来信息综合技术

---

10.1 信息物理系统技术概述

10.1.1信息物理系统的概念

信息物理系统 (Cyber-Physical Systems,CPS)通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建了物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统，实现系统内资源配置和运行的按需响应、快速迭代、动态优化。
其最终目的是实现资源优化配置。实现这一目标的关键要靠数据的自动流动。
CPS 的本质就是构建一套信息空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，解决生产制造、应用服务过程中的复杂性和不确定性问题，提高资源配置效率，实现资源优化。

10.1.2 CPS的实现

1)单元级：CPS最小单元。
2)系统级：多个单元级构成。
3)SoS级：多个系统级 CPS 组合构成。
CPS 的四大核心技术要素：
“一硬”(感知和自动控制)、“一软”(工业软件)、“一网”(工业网络)、“一平台”(工业云和智能服务平台)

10.1.3信息物理系统的建设和应用

CPS 典型应用场景：
1)智能设计：(1)产品及工艺设计(2)生产线/工厂设计
2)智能生产
3)智能服务：(1)健康管理(2)智能维护(3)远程征兆性诊断
4)智能应用：(1)无人装备(2)产业链互动

10.2 人工智能技术概述

10.2.1人工智能的概念

人工智能 (Artificial Intelligence,AI) 是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
根据人工智能是否能真正实现推理、思考和解决问题，可以将人工智能分为弱人工智能和强人工智能。

10.2.2人工智能的发展历程

图灵测试：如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份，那么称这台机器具有智能。

10.2.3人工智能关键技术

• 关键技术
  1.自然语言处理 (Natural Language Processing,NLP)
  2.计算机视觉 (Computer Vision)
  3.知识图谱 (Knowledge Graph)
  知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系。
  4.人机交互 (Human-Computer Interaction,HCl)
  5.虚拟现实或增强现实 (Virtual Reality /Augmented Reality,VR/AR)
  6.机器学习 (Machine Learning,ML)
• 机器学习可分为：
  1）监督学习
  需要提供标注的样本集，通过某种学习策略/方法建立一个模型，从而实现对新数据/实例的标记(分类)/映射。最典型的监督学习算法包括回归和分类等。
  2）无监督学习
  不需要以人工标注数据作为训练样本，利用无标记的有限数据描述隐藏在未标记数据中的结构/规律。无监督学习常见算法包括Apriori算法、 KMeans 算法、随机森林、主成分分析等。
  3）半监督学习
  利用少量的标注样本和大量的未标识样本进行训练和分类，从而达到减少标注代价、提高学习能力的目的。
  4）强化学习
  可以学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境的最大奖赏，最终目标是使外部环境对学习系统在某种意义下的评价最佳。
• 按照学习方法的不同，机器学习可分为：
  1）传统机器学习
  机器学习的领域特征需要手动完成，且需要大量领域专业知识。
  2）深度学习
  不需要人工特征提取，但需要大量的训练数据集以及强大的 GPU服务器来提供算力。
  深度学习是一种基于多层神经网络并以海量数据作为输入规则的自学习方法，依靠提供给它的大量实际行为数据(训练数据集),进行参数和规则调整。
  典型的深度学习算法包括卷积神经网络 (CNN)、 循环神经网络 (RNN) 等。
• 机器学习的常见算法还包括：
  1）迁移学习
  当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。
  2）主动学习
  通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。主动学习能够选择性地获取知识，通过较少的训练样本获得高性能的模型，最常用的策略是通过不确定性准则和差异性准则选取有效的样本。
  3）演化学习
  基于演化算法提供的优化工具设计机器学习算法，针对机器学习任务中存在大量的复杂优化问题，应用于分类、聚类、规则发现、特征选择等机器学习与数据挖掘问题中。演化算法通常维护一个解的集合，并通过启发式算子来从现有的解产生新解，并通过挑选更好的解进入下一次循环，不断提高解的质量。演化算法包括粒子群优化算法、多目标演化算法等。
• 机器学习领域仍然存在着巨大的挑战：
  首先，主流的机器学习技术是黑箱技术，因此就无法预知暗藏的危机，为解决这个问题，需要让机器学习具有可解释性、可干预性。
  其次，目前主流的机器学习的计算成本很高，亟待发明轻量级的机器学习算法。
  另外，在物理、化学、生物、社会科学中，人们常常用一些简单
  而美的方程(比如像薛定谔方程这样的二阶偏微分方程)来描述表象背后的深刻规律。那么在机器学习领域也试图能追求到简单而美的规律。

10.3 机器人技术概述

10.3.1 机器人的概念

(1)具有脑、手、脚等三要素的个体；
(2)具有非接触传感器(用眼、耳接收远方信息)和接触传感器；
(3)具有平衡觉和固有觉的传感器。

10.3.3机器人4.0的核心技术

机器人4.0主要有以下几个核心技术：包括云-边-端的无缝协同计算、持续学习与协同学习、知识图谱、场景自适应和数据安全。

10.3.4机器人的分类

按照要求的控制方式分类，机器人可分为操作机器人、程序机器人、示教再现机器人、智能机器人和综合机器人。

10.4 边缘计算概述

主要包括云边缘、边缘云和云化网关三类落地形态；
边缘计算是一种将主要处理和数据存储放在网络的边缘节点的分布式计算形式。
边缘计算具有以下特点：(1)联接性(2)数据第一入口(3)约束性(4)分布性
边云协同：
主要包括六种协同：资源协同、数据协同、智能协同、应用管理协同、业务管理协同、服务协同。

10.5 数字孪生体技术概述

当前，以物联网、大数据、人工智能等新技术为代表的数字浪潮席卷全球，物理世界和与之对应的数字世界形成两大体系平行发展，相互作用。数字世界为了服务物理世界而存在，物理世界因为数字世界变得高效有序。在这种背景下，数字孪生体技术应运而生。
数字孪生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。
数字孪生体的三项核心技术：建模、仿真和基于数据融合的数字线程。

10.6 云计算和大数据技术概述

云计算的服务方式：
1)软件即服务 (SaaS)
2)平台即服务 (PaaS)
3)基础设施即服务 (IaaS)
云计算的部署模式：
1)公有云
2)社区云
3)私有云
4)混合云

• 大数据
  关注大数据的三个量化指标：数据量、数据种类和处理速度。
  大数据的研究工作将面临5个方面的挑战：
  ● 挑战一：数据获取问题。
  ● 挑战二：数据结构问题。
  ● 挑战三：数据集成问题。
  ● 挑战四：数据分析、组织、抽取和建模是大数据本质的功能性挑战。
  ● 挑战五：如何呈现数据分析的结果，并与非技术的领域专家进行交互。
  大数据中的噪声很多，具有动态性、异构性、关联性、不可信性等多种特征。
  数据挖掘需要完整的、经过清洗的、可信的、可被高效访问的数据，以及声明性的查询(例如 SQL) 和挖掘接口，还需要可扩展的挖掘算法及大数据计算环境。