2013年，经中国科协和民政部的批准，中国人工智能学会不确定性人工智能专业委员会正式成立，挂靠单位为清华大学计算机系智能技术与系统国家重点实验室。主任委员为张勤教授（清华大学计算机系博士生导师），孙茂松教授（清华大学计算机系博士生导师）为副主任委员之一。2013年5月29日，专委会在中国科学会堂召开了成立大会，科技部原部长徐冠华院士、中国人工智能学会理事长李德毅院士等莅临祝贺。
在张勤教授的指导下，中国人工智能学会不确定性人工智能专业委员会与我组的合作不断深化，如张勤教授的博士后董春玲最近已加入我组进行合作研究。张勤教授也将在清华计算机系招收博士生、硕士生，开展人工智能相关前沿研究。
张勤教授学术简历
张勤，男，1956年生于重庆市，现任中国科学技术协会党组副书记、副主席、书记处书记；清华大学计算机系和核能与新能源技术研究院双聘教授、博士生导师；北京航空航天大学计算机学院教授、博士生导师；中国人工智能学会不确定性人工智能专业委员会主任；中国工程教育认证协会副理事长；中国质量协会副理事长；厦门大学知识产权研究院教授、博士生导师；中国知识产权研究会副理事长兼学术顾问委员会主任；清华大学博士后校友会会长。
1978-1987年攻读清华大学核反应堆和系统工程专业学士、硕士、博士，曾任清华大学研究生会主席、全国学联副主席；1987-1989年在美国田纳西大学核工程系和加州大学洛杉矶分校机械航空核工程系做访问学者；1990-1991任清华大学经济管理学院系统工程博士后；1991-1993年任清华大学核研院副研究员；1993-1997任中国技术创新公司产业部经理、厦门技术创新联合公司总经理；1994年在原国家科委获得研究员职称；1997-2003年任重庆市科学技术委员会主任、党组书记，市信息化办公室主任兼专家组组长，同期兼任重庆大学自动化学院教授、博导；2003-2009年任国家知识产权局副局长，在国务院领导下，协调33个中央部门制定了国家知识产权战略纲要，任纲要组组长。2009年起至今在中国科学技术协会任职。
以唯一或第一作者身份在《IEEE Transactions on Neural Networks and Learning Systems》、《IEEE Transactions on Reliability》、《Reliability Engineering and System Safety》、《Journal of Computer Science and Technology》、《IEEE Transactions on System, Man and Cybernetics》、《知识产权》、《中国软科学》、《中国科技导报》等杂志和国内外各种学术会议上发表学术论文数十篇，著《知识产权基本原理》。创立人工智能领域动态不确定因果图（DUCG, Dynamic Uncertain Causality Graph）理论，并在大型复杂工业系统（核电站、化工系统、卫星系统等）在线运行状态监测、故障预报、故障动态诊断、故障发展预测和决策支持、以及眩晕、黄疸疾病诊断等方面获得初步应用。目前的实验和测试结果显示工业系统故障诊断正确率100%，眩晕类22种疾病诊断符合率88.3%，黄疸类27种疾病诊断符合率99.01%，远高于国际同行水平。作为负责人承担多项国家自然科学基金、国家环保部、中广核集团、航天科技集团、总装备部项目。目前正在致力于构建基于DUCG理论和软件平台的医学诊断专家系统和全科医生诊断系统。
近期以第一或唯一作者发表的关于DUCG理论和应用的代表性论文：
[1]Q. Zhang. Dynamic uncertain causality graph for knowledge representation and reasoning: discrete DAG cases. Journal of Computer Science and Technology, vol. 27, no. 1, pp. 1-23, 2012.
[2]Q. Zhang, C. Dong, Y. Cui and Z. Yang. Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning: statistics base, matrix and fault diagnosis. IEEE Trans. Neural Networks and Learning Systems, vol. 25, no. 4, pp. 645-663, 2014.
[3]Q. Zhang. Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning: directed cyclic graph and joint probability distribution. IEEE Trans. Neural Networks and Learning Systems, vol. 26, no. 7, pp. 1503-1517, 2015.
[4]Q. Zhang. Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning: continuous variable, uncertain evidence and failure forecast. IEEE Trans. Systems, Man and Cybernetics, vol. 45, no. 7, pp. 990-1003, 2015.
[5]Q. Zhang and S. Geng. Dynamic uncertain causality graph applied to dynamic fault diagnosis of large and complex systems. IEEE Trans. Reliability, DOI: 10.1109/TR.2015.2416332, 2015.
[6]Q. Zhang and Z. Zhang. Dynamic uncertain causality graph applied to dynamic fault diagnoses and predictions with negative feedbacks. IEEE Trans. Reliability, accepted for publication, 2015.
