认知研究

认知算法的人工动物行为研究里，记忆机制是个挺有意思的点。论文里提到的二次方差法，其实就是先算下分布的偏差，太离谱的数据直接剔除，省事儿又高效。而另一个改进的均值聚类算法就更精细，参考了数据挖掘里的思路，噪声过滤更智能，适合复杂情况。聚类的事你早接触过，像K 均值算法那种老面孔，这里也有对比，尤其在记忆模型上怎么选更合适，有点讲头。你要是想搞清楚这套聚类机制，顺带还想看看实际代码，有 MATLAB 源码可以下，调试起来也方便。链接挺全的，K 均值聚类算法源码、KNN 和其他算法实现，甚至还有专门对比的资源，适合从“图像分割”到“行为模拟”多场景试用。蛮适合在前端交互上做点智能行为模拟，比如记忆路

SFB 1287 的 B05 项目最近在招博士后，项目在波茨坦大学，做语言和认知这块的实验研究，待遇和资源都还不错。背景如果是心理语言学、认知神经科学之类的，那挺对口。脑电、Python和Matlab用得多，写代码不生疏会轻松多。 文献写作、数据、做实验，基本就是这几样活儿，节奏蛮实在。而且还在一个叫CSML的团队，做的方向也比较新，挺适合想发文章的朋友。 有兴趣的可以看看时间——项目从 2020 年 8 月 1 日开始，合同是 11 个月。申材料挺常规：简历、求职信、博士论文或论文两篇，还有两封推荐信，赶在 5 月 31 号前搞定就行。 另外，想补补工具技能的话，可以翻一下这几个资源：

这里提供了关于认知无线电的相关资料，欢迎有兴趣的同学下载查阅。此外，还有关于频谱感知的代码，供需要的同学使用。

基于数据资源的认知图挖掘算法，最大的亮点在于：不靠专家主观判断，靠数据说话，效果还挺靠谱的。 数据驱动的认知图挖掘方法，挖掘出的知识图谱准确率更高，不容易出偏差。整个思路是先清洗数据，再选关键节点，因果关系，流程蛮清晰的。你只需要把数据准备好，剩下的都可以交给系统。 像它用到的粗糙集算法，其实就是帮你自动筛选有用特征。以前这事得靠领域专家拍脑袋，现在它能自动选出有代表性的属性，后面构图的时候也更精简准确。 另外，系统里有一套因果关系挖掘算法，对节点间的关系挺细的，能判断出是强关联还是弱关联，甚至方向也能推理。比如：销量和广告投放之间有没有因果，就可以跑一遍。 整个系统是做成了前后端分离的结构，

随着技术的进步，基于免疫算法的认知无线电资源分配研究正逐步深入探索和优化。

概念处理单元是认知计算的核心，是大数据认知领域的重要组成部分。

随着全球汽车产业智能化和网联化的迅猛发展，车联网所需的通信技术面临着频谱资源紧张的挑战。为解决这一问题，引入认知无线电技术成为一种有效途径，能够与授权用户共享sub-6 GHz和毫米波的异质频谱资源，提供安全可靠的服务。然而，车联网复杂的动态环境限制了频谱利用率的进一步提升。本研究提出了利用多源动态时空数据挖掘和学习车辆轨迹、交通流变化规律的方法，指导频谱的感知和共享。通过系统级仿真平台的分析，验证了提出方案在提升频谱效率方面的有效性。

认知科学的大数据方向，李德毅院士讲得还挺有意思的，尤其是那种从神经元、离子层面去拆解思维和意识的方式，脑洞开得大但也挺有料。你要是对认知计算和人工智能背后的原理感兴趣，可以看看他的这场报告《认知科学的困境-大数据认知》。里面多内容和前端搞算法交互建模思路也能对上，启发不少。 比如他提到一个挺让人纠结的问题：“人是不自己把自己搞清楚的？”这其实跟做人机交互时的“可解释性”问题有点像。你可以对一堆数据建模、训练、优化，但到底“理解”了没有，谁知道呢？ 推荐你从这篇《大数据认知计算——李德毅院士》开始看，算是入门不错的文章，讲得还蛮清楚。 顺便再贴几个相关的，你要是时间多可以一口气撸完： 认知

有关认知无线电的资料和频谱感知的代码，供大家学习参考。

三维GIS技术构建的数字地球，将空间数据挖掘与现实世界相融合，为人类提供了一种全新的认知世界的方式。