基于CiteSpace的混合增強智能領(lǐng)域研究熱點及趨勢分析

孫慶文 張萌萌 張潔

摘 要：混合智能是人工智能發(fā)展到2.0時代的新興產(chǎn)物，是人類智能與機器智能的交叉結(jié)合，旨在融合兩者優(yōu)勢解決復(fù)雜問題，提高整體系統(tǒng)的決策質(zhì)量和效率。為全面分析混合智能領(lǐng)域的研究動態(tài)及發(fā)展趨勢，準(zhǔn)確把握未來發(fā)展熱點目標(biāo)，利用CiteSpace文獻可視化分析軟件，對來源于中國知網(wǎng)（CNKI）與Web of Science的相關(guān)領(lǐng)域文獻進行可視化處理，從發(fā)文情況、關(guān)鍵詞熱點以及發(fā)展趨勢3個角度進行分析。結(jié)果表明：該領(lǐng)域發(fā)文量受關(guān)鍵人物及國家政策影響在2017年前后有較大幅度提升，關(guān)注度較高但尚未形成具備較強科研產(chǎn)出能力的核心作者群體和較為緊密的合作關(guān)系網(wǎng)絡(luò)。關(guān)鍵詞熱點包括以神經(jīng)網(wǎng)絡(luò)、遺傳算法和群體智能為代表的算法技術(shù)研究。以優(yōu)化多目標(biāo)問題的群體智能和特征選擇技術(shù)將成為該領(lǐng)域未來的主要研究方向。關(guān)鍵詞：人工智能；研究熱點；CiteSpace；混合增強智能；發(fā)展趨勢中圖分類號：TP18

文獻標(biāo)識碼：A?? 文章編號：1672-7312（2024）01-0032-09

Research Hotspots and Trend Analysis in the Field of

Hybrid Enhanced Intelligence Based on Citespace

SUN Qingwen1，2，3，ZHANG Mengmeng1，2，ZHANG Jie2，4

（1.School of Transportation and Logistics Engineering，Shandong Jiaotong University，Jinan 250357，China；

2.Shandong Provincial Smart Transportation Key Laboratory（Under Preparation），Jinan 250357，China;

3.Shandong Jinyu Information Technology Group Co.，Ltd.，Jinan 250101，China;

4.Shandong Zhengqu Transportation Engineering Co.，Ltd.，Jinan 250101，China）

Abstract：Hybrid intelligence is an emerging product of the development of artificial intelligence to the 2.0 era，which is the cross combination of human intelligence and machine intelligence.It aims to integrate the advantages of the two to solve complex problems and improve the decision-making quality and efficiency of the overall system.In order to comprehensively analyze the research trends and development trends in the field of hybrid intelligence，and accurately grasp the future development hotspots，CiteSpace literature visualization analysis software is used to visualize relevant field literature from China National Knowledge Infrastructure（CNKI）and Web of Science.The analysis is conducted from three perspectives：publication status，keyword hotspots，and development trends.The results indicate that：The number of publications in this field has significantly increased around 2017 due to the influence of key figures and national policies，with a high level of attention but no core author group with strong scientific research output capabilities and a relatively close cooperative network.Keyword hotspots include research on algorithm technologies represented by neural networks，genetic algorithms，and swarm intelligence.The swarm intelligence and feature selection techniques for optimizing multi-objective problems will become the main research directions in this field in the future.

Key words：artificial intelligence；research hotspots；CiteSpace；hybrid enhanced intelligence；development trends

0 引言

自1956年人工智能誕生以來，經(jīng)過近70年的發(fā)展歷程，相關(guān)研究已經(jīng)取得了巨大進展，并在各個領(lǐng)域逐步應(yīng)用。傳統(tǒng)人工智能借助神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等數(shù)據(jù)算法，依托其龐大的信息處理體系和高速的數(shù)據(jù)處理模式，實現(xiàn)較為高效的結(jié)果預(yù)測，但隨著應(yīng)用場景的不斷復(fù)雜化，人們發(fā)現(xiàn)單一的計算結(jié)構(gòu)無法滿足用戶的新增需求，混合增強智能的概念因此被提出[1]。

混合增強智能存在兩種形態(tài)劃分：人在回路的混合增強智能和基于認知計算的混合增強智能。對于人在回路的混合增強智能的研究，是將人的思維引入到智能計算系統(tǒng)的計算回路之中，通過將人的直覺、經(jīng)驗等屬性同機器的高強度的邏輯處理能力相耦合，進而提升系統(tǒng)的智能水平、創(chuàng)造力和解決問題的能力。近期的研究包括腦機接口、人機協(xié)作等智能場景，喬驥等[2]通過結(jié)合電網(wǎng)調(diào)控的相關(guān)業(yè)務(wù)功能，提出了基于人在回路的混合增強智能調(diào)控總體研究框架，并在此基礎(chǔ)之上探討了人機任務(wù)分配、人機可解釋交互、人類可介入學(xué)習(xí)、多人機協(xié)同以及混合智能趨優(yōu)進化等關(guān)鍵技術(shù)的研究局限性以及未來發(fā)展方向，為人工智能技術(shù)性能提升提供了一種解決思路；基于認知計算的混合增強智能是利用計算機模擬生物大腦的組織功能，建立類似于人腦感知、推理的計算模型，使其具備生物應(yīng)激能力的反饋提升機制，提升計算機的決策能力。研究包括利用深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)的故障分析、因果推理等場景。SANGSUNG P等[3]提出一種可以模仿人類思想和情感的認知人工智能方法，從人類的情感和認知角度出發(fā)，通過回歸模型分析的實驗驗證，將人類的情感因素引入模型，實現(xiàn)了根據(jù)情緒水平做出的最優(yōu)決策。該領(lǐng)域已產(chǎn)出諸多研究理論與實際應(yīng)用，同時也暴露出在發(fā)展過程中存在的一些問題。王剛等[4]在2010年對混合智能系統(tǒng)的發(fā)展進行回顧，從理論與應(yīng)用2個層面對領(lǐng)域初期的研究進行綜述，理論研究方面從研究動因、系統(tǒng)分類、構(gòu)造方法和評價準(zhǔn)則4個方面進行詳細闡述，應(yīng)用方面從管理、控制、醫(yī)學(xué)3個領(lǐng)域的應(yīng)用情況進行梳理。最后，指出未來混合智能領(lǐng)域的發(fā)展急需基礎(chǔ)理論以及系統(tǒng)構(gòu)造的研究，進而擺脫當(dāng)前依靠個人經(jīng)驗構(gòu)建混合智能系統(tǒng)的狀態(tài)。基于文獻計量法，采用CiteSpace可視化軟件分析中國知網(wǎng)（CNKI）以及Web of Science這2個數(shù)據(jù)庫收錄的混合智能領(lǐng)域相關(guān)文獻，從文獻發(fā)文情況、關(guān)鍵詞熱點和未來發(fā)展趨勢3個方面進行論述，以幫助后來學(xué)者更好地把握研究方向，為混合智能理論體系的進一步研究提供助力。1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源文中的文獻數(shù)據(jù)來源于中國知網(wǎng)（CNKI）數(shù)據(jù)庫的中文數(shù)據(jù)庫和Web of Science的外文數(shù)據(jù)庫，知網(wǎng)使用高級搜索功能，將檢索詞設(shè)置為：主題=“混合智能”AND全文=“人工智能”O(jiān)R關(guān)鍵詞=“混合增強”AND“中英文擴展”；Web of Science檢索詞設(shè)置為：主題=“Hybrid Enhanced Intelligence”，文獻出版年份不限。為保證研究結(jié)果的準(zhǔn)確性，對篩選結(jié)果中存在的報紙、會議、征稿及相關(guān)度較低的文獻予以手動剔除。經(jīng)最終處理共檢索中文庫中相關(guān)文獻966篇，外文庫中985篇相關(guān)文獻，以此作為混合增強智能領(lǐng)域發(fā)展研究的樣本數(shù)據(jù)。

1.2 研究方法文獻計量法是指用數(shù)學(xué)和統(tǒng)計學(xué)的方法，定量地分析一切知識載體的交叉科學(xué)，是集數(shù)學(xué)、統(tǒng)計學(xué)、文獻學(xué)為一體，注重量化的綜合性知識體系。其對蘊含有大量數(shù)據(jù)的知識體系可以進行科學(xué)的組織梳理，廣泛應(yīng)用于某一領(lǐng)域的發(fā)展趨勢及前沿動態(tài)分析[5]?；谖墨I計量法的基礎(chǔ)原理，借助文獻可視化分析工具CiteSpace對篩選出的文獻樣本數(shù)據(jù)進行分析，從文獻發(fā)文量、發(fā)文機構(gòu)及發(fā)文作者3個維度，研究混合增強智能領(lǐng)域的整體情況及發(fā)展趨勢。同時，通過關(guān)鍵詞共現(xiàn)分析及關(guān)鍵詞時間線圖分析，進一步探索該領(lǐng)域研究熱點與前沿動態(tài)。

2 混合智能研究的整體情況

2.1 文獻發(fā)文時間分析文獻的發(fā)文量在一定程度上代表著當(dāng)年科研成果的產(chǎn)出活躍度，也體現(xiàn)出學(xué)術(shù)界對該領(lǐng)域的關(guān)注程度。運用CiteSpace對數(shù)據(jù)庫的文獻年度發(fā)表量進行分析，為該領(lǐng)域熱度變化分析提供數(shù)據(jù)支撐。CNKI與Web of Science的發(fā)文數(shù)量的年度趨勢變化情況如圖1所示。

1992—2023年間發(fā)表的文獻情況如圖1所示，混合增強智能領(lǐng)域的總體發(fā)文量趨勢呈遞增狀態(tài)。對比國內(nèi)外相關(guān)文獻的發(fā)文數(shù)量、時間和發(fā)展趨勢上的異同可知，中文數(shù)據(jù)庫發(fā)文量上升時間點早于外文數(shù)據(jù)庫。在上升之前階段，全球人工智能研究處于基礎(chǔ)研究時期，相關(guān)理論模型尚待完善。由于受當(dāng)時機器設(shè)備及工具的限制，相關(guān)技術(shù)或理論研究發(fā)展較慢。作為早期人工智能的兩大主要研究方向，專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)成功應(yīng)用于眾多領(lǐng)域，但也暴露出一些缺陷，貴忠華等[6]通過比較專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點，闡述了混合智能系統(tǒng)的研究情況和存在問題。俞國燕等[7]在制造領(lǐng)域中創(chuàng)新設(shè)計方面引入智能技術(shù)方法，以人類設(shè)計師的思維主導(dǎo)，將各類進化算法與專家系統(tǒng)進行融合來彌補單一智能方法在實際應(yīng)用場景中的不足表現(xiàn)。2005—2016年間中文數(shù)據(jù)庫發(fā)文量趨勢有小幅波動但總體趨向平穩(wěn)，較上一階段整體發(fā)文量有明顯上升趨勢。外文數(shù)據(jù)庫仍處于研究熱度冷門時期，發(fā)文量與中文數(shù)據(jù)庫存在一定差距。在此階段，吳朝暉等[8]提出人工智能研究的新方向是向著混合智能應(yīng)用發(fā)展，以“人腦+機器”的合作形式實現(xiàn)更加高效、準(zhǔn)確的系統(tǒng)計算。2016年，由谷歌研發(fā)的AlphaGo機器人在一場圍棋比賽中以4∶1的成績擊敗世界冠軍李世石，引發(fā)了深度學(xué)習(xí)這類機器學(xué)習(xí)技術(shù)的研究熱潮。同年，由中國工程院潘云鶴[9]院士提出“混合增強智能”新概念，研究主要集中在人在回路、腦機協(xié)作、腦機接口、機器直覺推理、聯(lián)想記憶模型、復(fù)雜數(shù)據(jù)、云機器人、情境理解及人機群組協(xié)同等領(lǐng)域。自2017年起中外數(shù)據(jù)庫的發(fā)文量激增，借助機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等先進技術(shù)的理論研究，混合智能邏輯框架日益完善，在這一階段混合智能技術(shù)被廣泛應(yīng)用，影響涉及到醫(yī)學(xué)治療、軍事科技以及教育事業(yè)等諸多領(lǐng)域。2017年國務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》的通知，明確表示中國應(yīng)搶抓人工智能的重大戰(zhàn)略機遇，構(gòu)筑我國相關(guān)領(lǐng)域發(fā)展的先發(fā)優(yōu)勢，明確要求形成較為成熟的新一代人工智能理論與技術(shù)體系，并在混合智能、類腦智能等領(lǐng)域取得重大突破。帶動相關(guān)產(chǎn)業(yè)機構(gòu)及科研院所聚力混合智能發(fā)展。但在2020年發(fā)文量達到頂峰后開始呈下滑趨勢。而根據(jù)外文數(shù)據(jù)庫發(fā)文量顯示，國外對該領(lǐng)域的研究熱度持續(xù)高漲。總體來說，在混合增強智能領(lǐng)域，國內(nèi)的研究起步時間相對較早，并且對領(lǐng)域內(nèi)理論知識的探究周期較長。然而，從2017年開始，國外相關(guān)的文獻數(shù)量急劇增加，呈現(xiàn)出一個越來越快的增長趨勢。這種增長幅度的增加表明，國外對混合增強智能的研究興趣正在急速上升。相比之下，國內(nèi)的研究熱度在后期有逐漸降低的趨勢，相較于之前有所下降。

2.2 研究作者分析設(shè)定文獻分析時間為1992年1月—2023年4月，時間切片設(shè)置為2年，即：分析工具以2年為單元對樣本數(shù)據(jù)進行可視化分析。得到圖2的發(fā)文作者研究圖譜。

從圖2的網(wǎng)絡(luò)分布情況來看，國外學(xué)者群體已經(jīng)形成較為緊密的合作網(wǎng)絡(luò)，各學(xué)者之間合作交流較為密切；從圖中時間刻度和節(jié)點大小來看，國外合作團隊成型時間較早且具備一定的學(xué)術(shù)影響力，例如，已形成以Bui，Dieu Tien和Yaseen，Zaher Mundher為關(guān)鍵核心的研究團隊，這些團隊在早期就積極參與合作，積累了豐富的經(jīng)驗和知識，形成了較為成熟的研究體系。而國內(nèi)學(xué)者多形成規(guī)模較小的合作網(wǎng)絡(luò)結(jié)構(gòu)，成型時間較晚，同時與國外具備強影響力的研究團隊缺少合作交流。未來，我國學(xué)者應(yīng)加強研究領(lǐng)域的協(xié)作力度，積極學(xué)習(xí)國外先進的技術(shù)經(jīng)驗，形成更為密切的研究關(guān)系。

為描述該領(lǐng)域核心作者對領(lǐng)域發(fā)展的推動作用，根據(jù)普賴斯定律測定混合智能研究中的高產(chǎn)作者，研究其代表文獻的研究內(nèi)容，把握其最新的研究動態(tài)和關(guān)注熱點。根據(jù)普賴斯定律原理，即：在某一領(lǐng)域中，認為高產(chǎn)作者的數(shù)量約等于全部作者總和的平方根，這一群體發(fā)表了該領(lǐng)域約50%的科學(xué)文獻。假設(shè)該研究領(lǐng)域中最高產(chǎn)的作者發(fā)表文獻數(shù)量為nmax，則m=0.749·n1/2max，意味著發(fā)表的論文數(shù)至少為m篇才可以被認為為該領(lǐng)域的高產(chǎn)作者。在混合增強智能領(lǐng)域中nmax=9，那么m=0.749·n1/2max=2.24≈2，即發(fā)表2篇及以上文章的作者為高產(chǎn)作者。對國內(nèi)外共計1 951篇樣本文獻的作者數(shù)量進行統(tǒng)計，統(tǒng)計得樣本文獻中作者共有482人，高產(chǎn)作者有126人，發(fā)表文獻共計317篇，占發(fā)文總量的16.25%，遠遠低于普賴斯定律50%的標(biāo)準(zhǔn)，由此可見，混合智能領(lǐng)域尚未形成具備較強科研產(chǎn)出能力的核心作者群體。

2.3 研究機構(gòu)分析根據(jù)樣本數(shù)據(jù)分析可得混合智能領(lǐng)域高產(chǎn)機構(gòu)分布情況如圖3所示。

發(fā)文機構(gòu)研究圖譜共有節(jié)點372個，節(jié)點間連線220條，高產(chǎn)機構(gòu)排名靠前的主要有天津大學(xué)、吉林大學(xué)、中南大學(xué)、浙江大學(xué)等，國外機構(gòu)主要有Duy Tan University（維新大學(xué)）、Islamic Azad University（阿扎德大學(xué)）和Ton Duc Thang University（孫德勝大學(xué)），這幾個國外大學(xué)處于圖譜中密集網(wǎng)絡(luò)中，與其他機構(gòu)有較高的合作關(guān)系，且從發(fā)文時間角度分析，位于圖譜中心網(wǎng)絡(luò)的研究機構(gòu)文獻集中發(fā)表于2020年之后，在一定程度上反映出近年來各研究組織間合作越發(fā)密集，組織之間的科學(xué)技術(shù)交流越發(fā)頻繁，成果產(chǎn)出豐碩。另一方面，從國內(nèi)研究機構(gòu)的合作情況來看，國內(nèi)各組織尚未形成密切的合作關(guān)系，且文獻產(chǎn)出情況較國外組織薄弱，綜合研究能力需進一步加強。

3 混合增強智能研究熱點研究熱點是指在一段時間內(nèi)，在某一科學(xué)領(lǐng)域中的重點研究方向或者問題，代表當(dāng)下最前沿、關(guān)鍵、重要的理論技術(shù)研究與應(yīng)用。關(guān)鍵詞是一個研究領(lǐng)域中具有特定含義的詞匯，可以用來描述該領(lǐng)域中正在研究和討論的主題。通過分析關(guān)鍵詞的使用情況，可以了解該領(lǐng)域的研究熱點和趨勢。在文獻研究中，關(guān)鍵詞的被引頻次與節(jié)點中心性2項指標(biāo)反映了一個主題的研究熱度。通過CiteSpace可視化軟件繪制關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖譜，利用被引頻次與節(jié)點中心性兩項數(shù)據(jù)指標(biāo)研究各主題之間的關(guān)系及當(dāng)下的研究熱點；通過聚類方法將聯(lián)系緊密的關(guān)鍵詞形成聚類團體，利用Q值（模塊值）和S值（平均輪廓值）2項數(shù)據(jù)指標(biāo)衡量聚類效果的優(yōu)劣情況，基于成型的聚類團體結(jié)構(gòu)進一步反映該領(lǐng)域的研究熱點及涉及主題。

3.1 關(guān)鍵詞共現(xiàn)分析利用文獻庫中關(guān)鍵詞共同出現(xiàn)的情況，來確定該文獻庫所代表學(xué)科中各主題之間的關(guān)系，繪制混合增強智能領(lǐng)域文獻的關(guān)鍵詞共現(xiàn)圖譜，如圖4所示。

2個核心數(shù)據(jù)庫混合增強智能研究文獻中出現(xiàn)頻次較高的關(guān)鍵詞見表1、表2，中心性（Centrality）為多篇文獻的關(guān)鍵詞中介，用以發(fā)現(xiàn)和衡量文獻的重要性，代表該關(guān)鍵詞在混合增強智能領(lǐng)域的重要程度，中心性越高，反映其在該研究領(lǐng)域的影響能力越大。結(jié)合可視化分析結(jié)果排序，可以發(fā)現(xiàn)Web of Science外文文獻研究的關(guān)鍵詞中心性最高的是artificial intelligence（人工智能），中心性為0.40，明顯高于其他關(guān)鍵詞，其次為neural network（神經(jīng)網(wǎng)絡(luò)）、algorithm（算法）和prediction（預(yù)測），代表這幾個關(guān)鍵詞在混合增強智能的研究中被廣泛討論。CNKI中文文獻研究的關(guān)鍵詞中心性最高的為人工智能，中心性為0.47，同樣遠高于其它關(guān)鍵詞的中心性。通過兩個數(shù)據(jù)庫排名前10的關(guān)鍵詞對比分析，可以發(fā)現(xiàn)，artificial intelligence（人工智能）、neural network（神經(jīng)網(wǎng)絡(luò)）、genetic algorithm（遺傳算法）和swarm intelligence（群體智能）都是領(lǐng)域中研究的熱點。

依據(jù)表中頻數(shù)排序，Web of Science中文獻反映出國外的研究熱點主要集中在算法、預(yù)測、優(yōu)化等理論體系的研究層面，這些研究熱點的出現(xiàn)可能歸結(jié)于以下幾點因素：①在人工智能領(lǐng)域，算法理論和預(yù)測技術(shù)是實現(xiàn)自動化決策、智能分析、機器人控制等任務(wù)的核心；②在數(shù)據(jù)科學(xué)領(lǐng)域，算法是處理海量數(shù)據(jù)、挖掘潛在規(guī)律和預(yù)測未來趨勢的基礎(chǔ)；③優(yōu)化理論在實際應(yīng)用中表現(xiàn)出其提供科學(xué)的決策支持及優(yōu)化方案的能力。Web of Science中的研究熱點也反映了國際科學(xué)界的研究趨勢和關(guān)注焦點。CNKI文獻反映出國內(nèi)的研究熱點主要集中在故障診斷、專家系統(tǒng)、模糊控制等應(yīng)用研究層面。通過專家經(jīng)驗與相關(guān)技術(shù)的有效結(jié)合，提出同時具備權(quán)威性與科學(xué)性的人工智能故障診斷方法，在機械設(shè)備故障診斷中廣泛應(yīng)用。

3.2 關(guān)鍵詞聚類分析在對關(guān)鍵詞共現(xiàn)分析的基礎(chǔ)上，研究該領(lǐng)域的研究熱點是否具有共性特征，以及成型的熱點主題，為進一步研究混合增強智能領(lǐng)域的趨勢提供數(shù)據(jù)支撐。運用CiteSpace可視化分析軟件對國內(nèi)外文獻數(shù)據(jù)的關(guān)鍵詞進行聚類分析，通過將關(guān)鍵詞之間的聯(lián)系數(shù)據(jù)化，將關(guān)系緊密的關(guān)鍵詞進行聚合，中心度最高的作為該類別的代表并形成聚類結(jié)果。得到Q值（模塊值）用來衡量圖譜的繪制效果，在［0，1］的區(qū)間內(nèi)，Q值越大表示聚類效果越好，一般認為Q>0.3意味著聚類結(jié)構(gòu)顯著。S值（平均輪廓值）用于衡量聚類結(jié)果的信服度，信服度越高，聚類結(jié)果可以代表該領(lǐng)域的代表性研究熱點，一般認為S>0.5聚類是合理的。關(guān)鍵詞聚類分析圖譜如圖5所示。

由圖5可見，外文文獻庫中共生成7個聚類團體，分別為#0swarm intelligence（群體智能）、#1artificial intelligence（人工智能）、#2deep learning（深度學(xué)習(xí)）、#3support vector regression（支持向量回歸）、#4machine learning（機器學(xué)習(xí)）、#5innovation management（創(chuàng)新管理）、#6predictive maintenance（預(yù)測維護）。聚類結(jié)果Q=0.406 9，S=0.703 5。中文文獻庫生成6個聚類團體，分別為：#0混合增強、#1遺傳算法、#2人工智能、#3專家系統(tǒng)、#4混合智能、#5故障診斷。Q=0.650 2，S=0.868 2。Q值均>0.4，S值均>0.7，表明聚類結(jié)構(gòu)顯著且信服度較高。對比分析國內(nèi)外文獻庫的聚類結(jié)果發(fā)現(xiàn)，國外的研究焦點集中在以深度學(xué)習(xí)為代表的人工智能理論技術(shù)層面，而國內(nèi)的研究多集中在混合智能、專家系統(tǒng)等技術(shù)應(yīng)用層面。針對國內(nèi)外較大聚類和相同聚類的研究情況進一步分析。遺傳算法（genetic algorithm）是根據(jù)大自然的生物體進化規(guī)律設(shè)計出來的算法，通過模擬進化過程搜索最優(yōu)解。在混合智能領(lǐng)域的數(shù)據(jù)處理過程中，遺傳算法采用同時處理群體中多個個體的搜索方法，在多峰分布空間問題的解決過程中較大概率避免了陷入某個單峰的局部極值點，應(yīng)用廣泛。故障診斷中涉及到模糊控制和專家經(jīng)驗等詞匯，具體來說，為克服單一智能技術(shù)的局限性，提高系統(tǒng)的性能、魯棒性和可靠性。在故障診斷領(lǐng)域，混合智能智能系統(tǒng)可以將不同類型的數(shù)據(jù)（如傳感器數(shù)據(jù)、歷史監(jiān)測記錄等）與已知的故障模型和規(guī)則相結(jié)合，采用機器學(xué)習(xí)和推理技術(shù)，構(gòu)建較為精確的故障診斷模型。并且它能夠?qū)@些模型進行動態(tài)的自我學(xué)習(xí)、自我更新和提高模型的準(zhǔn)確性。同時，在可預(yù)測性方面，混合智能通過融入專家經(jīng)驗，實現(xiàn)對未來可能發(fā)生的故障進行預(yù)測和預(yù)警，從而提前采取必要的措施，提升故障診斷系統(tǒng)的準(zhǔn)確性和效率?？梢灶A(yù)見，隨著人工智能技術(shù)的不斷發(fā)展和深入，在故障診斷領(lǐng)域，混合智能將會發(fā)揮越來越重要的作用。聚類神經(jīng)網(wǎng)絡(luò)和聚類machine learning（機器學(xué)習(xí)）均屬于混合智能系統(tǒng)自我提升和優(yōu)化的方法技術(shù)，神經(jīng)網(wǎng)絡(luò)最早作為人工智能的主要研究方向持續(xù)至今，是由大量連接在一起的簡單處理單元所組成的信息處理系統(tǒng)，模擬人腦神經(jīng)元之間的相互連接和信息傳遞。神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)和訓(xùn)練，可以對復(fù)雜的非線性問題進行分類、識別等任務(wù)。在混合智能領(lǐng)域中，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于圖像、語音、自然語言處理等方面。后期隨著算法層面的更新升級，機器學(xué)習(xí)算法被研究學(xué)者融合進入混合智能的研究框架，機器學(xué)習(xí)是指通過訓(xùn)練數(shù)據(jù)來學(xué)習(xí)和識別規(guī)律或模式的算法，使得機器可以自主地進行決策和分類等任務(wù)，不需要明確的指導(dǎo)或規(guī)則，并逐漸增強其性能。被廣泛應(yīng)用于自然語言處理、圖像識別、推薦系統(tǒng)等任務(wù)上，讓計算機逐步具備類似于人類的學(xué)習(xí)能力。兩者都在一定程度上推動了混合智能領(lǐng)域的快速發(fā)展，不斷提高AI系統(tǒng)的性能和智能水平，開啟了一種新的思維方式和技術(shù)范式。隨著算法的持續(xù)發(fā)展和硬件設(shè)備的不斷進步，神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)將支持人工智能在各個領(lǐng)域展現(xiàn)出更多的應(yīng)用場景，并推動社會的進一步發(fā)展。

4 混合增強智能研究趨勢伴隨混合增強智能理論體系的日益完善，該領(lǐng)域的研究熱點由某一時期的主題突顯詞所呈現(xiàn)。突顯詞是指在某段時期內(nèi)在相關(guān)研究領(lǐng)域中引用頻率突然增加的關(guān)鍵詞，利用軟件提供的突顯強度和起止時間兩項數(shù)據(jù)指標(biāo)分析該領(lǐng)域的研究趨勢變化。通過關(guān)鍵詞突顯分析可以得知“混合增強智能”領(lǐng)域幾個關(guān)鍵熱點的研究情況，下表中幾個關(guān)鍵詞對應(yīng)時間線上突變性時段部分代表在此時間段內(nèi)該關(guān)鍵詞的使用頻率突然增加，可以發(fā)現(xiàn)更深層次的發(fā)展變化。

4.1 國外研究趨勢對國外混合增強智能領(lǐng)域的關(guān)鍵詞進行突顯分析，突顯情況見表3。

關(guān)鍵詞突顯是短時間內(nèi)某些代表詞出現(xiàn)數(shù)量急劇上升的情況，在一定程度上反映出當(dāng)下的研究熱點及持續(xù)周期，由表3分析可知，Genetic algorithm（遺傳算法）的突顯強度最大為5.1，在2000—2018年間該領(lǐng)域內(nèi)對“Genetic algorithm”的研究熱度持續(xù)高漲。RAJESWARAN N等[10]提出了一種基于遺傳算法混合

人工智能技術(shù)的智能控制驅(qū)動方法，用于感應(yīng)電動機的狀態(tài)監(jiān)測、故障診斷和評估，而不需要任何附加信息。GAO J等[11]提出一種針對具有模糊參數(shù)分散決策問題的模糊多層規(guī)劃框架，并結(jié)合模糊仿真、神經(jīng)網(wǎng)絡(luò)和遺傳算法，提出了一種尋找該模糊多層規(guī)劃框架Nash均衡的混合智能算法。Swarm intelligence（群體智能）、Differential evolution（差異進化）和Artificial bee colony（人工蜂群）在2012年開始突變，成為當(dāng)時的研究焦點，后陸續(xù)在2015和2018年達到成熟，期間，Duan H等人[12]對包括蟻群優(yōu)化、粒子群優(yōu)化、人工蜂群、螢火蟲算法、蝙蝠算法和鴿子優(yōu)化等在內(nèi)的基于群體智能的算法優(yōu)缺點進行分析，針對每種算法的應(yīng)用領(lǐng)域及前景進行深入討論。展現(xiàn)出群體智能算法在混合增強智能領(lǐng)域研究中的重要性。后期Feature selection（特征選擇）開始突顯，作為機器學(xué)習(xí)的一個典型學(xué)習(xí)任務(wù)，其能夠從原始數(shù)據(jù)中提取最相關(guān)、最有信息含量的特征值，以便更好地進行模型構(gòu)建和預(yù)測。成為2019年后的關(guān)注焦點和發(fā)展趨勢。

4.2 國內(nèi)研究趨勢對國內(nèi)混合增強智能領(lǐng)域的關(guān)鍵詞進行突顯分析，突顯情況見表4。

通過分析關(guān)鍵詞的使用情況，可以了解該領(lǐng)域的研究熱點和趨勢。通過表4中各聚類結(jié)果隨時間發(fā)展的研究熱點分布，可以探索該領(lǐng)域各組成部分的發(fā)展趨勢變化。結(jié)合圖4（b）與文獻發(fā)文部分的分析，可以發(fā)現(xiàn)關(guān)鍵詞“專家系統(tǒng)”的出現(xiàn)時間最早，在1994年數(shù)量出現(xiàn)急劇上升現(xiàn)象并成為混合智能領(lǐng)域的重要研究部分?！爸悄芸刂啤弊鳛檠芯繜狳c的持續(xù)時間最長，突顯時間為1996—2012年，主要研究集中在工業(yè)控制系統(tǒng)的工程應(yīng)用[13-16]，以及交通工具的儀器設(shè)備控制[17-20]。“神經(jīng)網(wǎng)絡(luò)”“模糊控制”“遺傳算法”“蟻群算法”4類算法都是混合智能中的常用技術(shù)，它們各自有不同的應(yīng)用場景，在混合智能技術(shù)的發(fā)展中都起著非常重要的作用，極大地促進了人工智能的進步，同時也為各個領(lǐng)域提供了更加強大和高效的工具。

5 結(jié)語利用CiteSpace可視化分析軟件，以Web of Science和CNKI數(shù)據(jù)庫作為文獻來源，對混合智能領(lǐng)域的研究能力現(xiàn)狀、發(fā)展歷程、研究熱點以及未來發(fā)展趨勢進行分析。結(jié)合當(dāng)前研究熱點分析未來混合智能領(lǐng)域的發(fā)展趨勢。

1）技術(shù)方面，以神經(jīng)網(wǎng)絡(luò)和遺傳算法為代表的算法技術(shù)優(yōu)化仍在未來一段時間屬于混合智能系統(tǒng)能力增強的主要手段。以群體智能計算和機器學(xué)習(xí)為關(guān)鍵技術(shù)開展的群體智能技術(shù)提升優(yōu)化將會在更為寬泛的領(lǐng)域內(nèi)進行場景應(yīng)用并成為該領(lǐng)域未來的主要研究方向。

2）應(yīng)用方面，混合增強領(lǐng)域技術(shù)將極大推進以無人駕駛為代表的系列人類生活生產(chǎn)方式的快速變革，無人駕駛作為混合智能領(lǐng)域的一個重要應(yīng)用方向，其發(fā)展將帶來出行方式的革命性變化，未來的交通系統(tǒng)將更加高效、安全和便捷。

3）人機協(xié)作技術(shù)的研究與應(yīng)用，應(yīng)積極探索更加高效、可靠的人機協(xié)作模式和方法，實現(xiàn)人與機器之間的優(yōu)勢互補，提高工作效率和質(zhì)量。

4）數(shù)據(jù)安全方面，應(yīng)探索更加安全、可靠的數(shù)據(jù)保護方法和技術(shù)，以確保混合智能技術(shù)的健康發(fā)展。我國在國家戰(zhàn)略層面上將發(fā)展人工智能擺在了較高位置，大力促進混合智能同其他領(lǐng)域的深度融合。未來，以混合智能為代表的人工智能技術(shù)將大力推動我國智能化基礎(chǔ)水平，加快社會安全、智能、高效的整體建設(shè)，提升居民生活質(zhì)量及我國在國際上的競爭力。

參考文獻：

[1] 鄭南寧.人工智能新時代[J].智能科學(xué)與技術(shù)學(xué)報，2019，1（01）：1-3.

[2]喬驥，郭劍波，范士雄，等.人在回路的電網(wǎng)調(diào)控混合增強智能初探——基本概念與研究框架[J].中國電機工程學(xué)報，2023，43（01）：1-15.

[3]SANGSUNG P，SUNGHAE J.Cognitive artificial intelligence using bayesian computing based on hybrid monte carlo algorithm[J].Applied Sciences，2022，12（18）：9270.

[4]王剛，黃麗華，張成洪.混合智能系統(tǒng)研究綜述[J].系統(tǒng)工程學(xué)報，2010，25（04）：569-578.

[5]王曰芬，路菲，吳小雷.文獻計量和內(nèi)容分析的比較與綜合研究[J].圖書情報工作，2005（09）：72-75.

[6]貴忠華，劉振凱.智能混合系統(tǒng)研究綜述[J].信息與控制，2000（01）：59-64.

[7]俞國燕，何真，鄭時雄，等.基于人機一體的混合智能創(chuàng)新設(shè)計[J].計算機工程與應(yīng)用，2003（07）：43-45.

[8]吳朝暉，鄭能干.混合智能：人工智能的新方向[J].中國計算機學(xué)會通訊，2012，8（01）：59-64.

[9]潘云鶴.人工智能走向2.0[J].Engineering，2016，2（04）：51-61.

[10]RAJESWARAN N，SWARUPA?L M，RAO S T，et al.Hybrid artificial intelligence based fault diagnosis of SVPWM voltage source inverters for induction motor[J].Materials Today：Proceedings，2018，5（1）：565-571.

[11]GAO J，LIU B.Fuzzy multilevel programming with a hybrid intelligent algorithm[J].Computers and Mathematics with Applications，2004，49（09）：1539-1548.

[12]DUAN H，LUO Q.New progresses in swarm intelligence-based computation[J].Int.J.of Bio-Inspired Computation，2015，7（01）：26-35.

[13]姜孝華，張希周，諸昌鈐.一種多模專家智能控制器研究及其應(yīng)用[J].貴州工學(xué)院學(xué)報，1995（04）：21-26.

[14]裴珍，樸承龍，金偉，等.燒結(jié)混合料水分檢測及智能控制系統(tǒng)[J].東北大學(xué)學(xué)報，1998（03）：72-74.

[15]柴天佑，丁進良，王宏，等.復(fù)雜工業(yè)過程運行的混合智能優(yōu)化控制方法[J].自動化學(xué)報，2008（05）：505-515.

[16]柴天佑.工業(yè)人工智能發(fā)展方向[J].自動化學(xué)報，2020，46（10）：2005-2012.

[17]楊國勛，郭晨，賈欣樂，等.混合智能技術(shù)在船舶運動控制中的應(yīng)用[C]//中國自動化學(xué)會智能自動化專業(yè)委員會，昆明船舶設(shè)備集團公司，云南自動化學(xué)會，中國人工智能學(xué)會計算機視覺及智能控制學(xué)會，IEEE控制系統(tǒng)學(xué)會北京分會.2001年中國智能自動化會議論文集（上冊），2001：6.

[18]楊國勛，郭晨，賈欣樂.基于增強型學(xué)習(xí)算法的船舶運動混合智能控制[J].中國航海，2001（02）：3-7.

[19]張騰飛.粗糙集理論及粗糙混合智能方法在船舶電力系統(tǒng)中的應(yīng)用研究[D].上海：上海海事大學(xué)，2007.

[20]胡江強.基于遺傳優(yōu)化的船舶航向混合智能控制[D].大連：大連海事大學(xué)，2003.

[21]姜自瑩，劉雪鳳.“區(qū)塊鏈+人工智能”研究的進展、熱點和前沿——基于CiteSpace的知識圖譜分析[J].科技與管理，2022，24（03）：1-15.

[22]ANTNIO C，ANDREA G，DANIEL S，et al.Designing for hybrid intelligence：A taxonomy and survey of crowd-machine interaction[J].Applied Sciences，2023，13（04）.

[23]ZHAOHUI Y，LIN L.Analyze on multi-vehicle coordination-enhanced intelligent driving framework based on human machine hybrid intelligence[J].Soft Computing，2023，27（15）.

[24]CHUQIANG C，XINHUA X.A novel hybrid intelligent model for the prediction of creep coefficients based on random forest and support vector machine[J].Ocean Engineering，2022，266（P5）.

[25]PEIJUN Y，XIAO W，WENBO Z，et al.Parallel cognition：Hybrid intelligence for human-machine interaction and management[J].Frontiers of Information Technology & Electronic Engineering，2022，23（12）.

[26]HOSSEIN M J，CHRISTOPH L，GEMMA N.Artificial intelligence，human intelligence and hybrid intelligence based on mutual augmentation[J].Big Data & Society，2022，9（02）.

[27]SOPHIYA R.Cognitive hybrid intelligent diagnostic system：Typical architecture[J].Computation，2022，10（05）.

[28]胡蕊.基于混合群體智能的多目標(biāo)優(yōu)化算法研究[D].大連：大連海事大學(xué)，2019.

[29]趙健，張鑫褆，李佳明，等.群體智能2.0研究綜述[J].計算機工程，2019，45（12）：1-7.