互联网技术，特别是物联网、传感器网络等多种传感器的多模态数据的可用性得到了迅速发展。这些系统与传统复杂系统(CS)的集成和结合，特别是解决自然界和社会问题，极大地扩展了在状态监测、故障诊断方面获得更多样化的观测，提高了准确性和效率。这一点，再加上智能数据分析的激增，尤其是基于深度学习的人工智能，使得在这些系统中建立联系、动态和反馈循环的模型成为可能。在智能交通、先进制造、物流、自然资源和灾害管理、网络交通和负载优化等诸多应用中都可以找到典型的例子。

为了实现如此复杂的系统，特别是那些与真实自然和社会挑战相关的系统，基于认知模型的智能计算已经成为高级建模和分析的趋势。特别是在处理来自系统不同节点的大量多模态数据以及更有效地建模此类系统的混沌和非线性特性时。在过去的二十年里，各种各样的模型和方法被提出来解决这个跨学科课题的潜在挑战，由于这些相当复杂的系统的性质，如何有效和高效地解决相关挑战的不同方面变得至关重要。

本特刊旨在整理跨学科的原始研究和评论文章，主要关注集成的概念和技术、应用程序的复杂特性的适应，以及如何在资源紧张的环境下处理这些挑战。这将不仅包括新的模型、算法和创新的应用程序，而且还包括实际的解决方案，这些解决方案特别关注如何使通用技术适应特定的应用程序。尤其令人感兴趣的是认知模型的应用，因为它们与人工智能机器学习密切相关，并且直接应用于自然和社会。

特别强调离散数学模型在处理自然和社会的挑战。

可能的主题包括但不限于以下内容:

• 基于人工智能机器学习的集成概念和解决方案
• 深基础的学习，融合和多模态数据的挖掘
• 多模态数据密集型系统的性能建模和风险评估
• 遗传建模和多模态数据的进化计算
• 稀疏表示和压缩感测用于智能数据采样和有效的降维
• 综合解决方案和新兴应用在多模态数据
• 这些系统中的基准数据/方法、性能评估和调查