人工智能研究和應用領域

結合本人學習學習《人工智能原理及應用》，現作以下總結！！

概述：本文涵蓋人工智能在現階段主要的研究領域，包括：機器思惟、機器學習、機器感知、機器學習的詳細介紹等。

 

一、機器思惟

    機器思惟主要模擬人類的思惟功能。在人工智能中，與機器思惟有關的研究主要包括推理、搜索、規劃等。

    這裏對該概念就再也不贅述了，感興趣的同僚能夠參考《人工智能原理及應用》

 

二、機器學習

    機器學習是機器獲取知識的根本途徑，同時也是機器具備智能的重要標誌，有人認爲，一個計算機系統若是不具有學習功能，就不能稱其爲智能系統。機器學習有多重不一樣的分類方法，若是按照對人類學習的模擬方式，機器學習可分爲符號學習和聯結學習。

    1）符號學習

        符號學習是指從功能上模擬人類學習能力的機器學習方法，它使一種基於符號主義學派的機器學習掛點。按照這種觀點，知識能夠用符號來表示，機器學習過程實際是一種符號運算過程。對符號學習，可根據學習策略，即學習中所使用的推理方法，將其分爲記憶學習、概括學習、研一學習等。

        記憶學習也叫死記硬背學習，它是一種最基本的學習方法，緣由是任何學習系統都必須記住它們所獲取的知識，以便未來使用。概括學習是指以概括推理爲基礎的學習，它是機器學習中研究較多的一種學習類型，其任務是要從關於某個概念的一系列一直的具體例子出發，概括出通常的結論，像示例學習、決策樹學習和統計學習等都是概括學習方法。演繹學習是指以演繹推理爲基礎的學習，解釋學習是一種典型的演繹學習方法，它是在領域知識的知道下，經過對單個問題求解例子的分析，構造出求解過程的因果解釋結構，並對該解釋結構進行歸納化處理，獲得用來求解相似問題的通常性知識。

    2）聯結學習

        聯結學習也稱爲神經學習，它是一種基於人工神經網絡的學習方法。  現有研究代表，人腦的學習和記憶過程都是經過神經系統來完成的。在神經系統中，神經元及時學習的基本單元，也是記憶的基本單位。鏈接學習能夠有多種不一樣的分類方法。比較典型的學習算法有感知器學習、BP網絡學習和Hopfield網絡學習等。

        感知器學習其實是一種基於糾錯學習規則，採用迭代思想對聯結權重和閾值進行不斷調整，直到知足結束條件爲止的學習算法。BP網絡學習是一種偏差反向傳播網絡學習算法。這種學習算法的學習過程由輸出模式的正向傳播過程和偏差的反向傳播過程組成。其中偏差的反向傳播過程用於修改各層神經元的鏈接權值，以肘部減小偏差信號，直至獲得所指望的輸出模式爲止。Hopfield網絡學習其實是要尋求系統的穩定狀態，即從網絡的初試狀態開始逐漸向其穩定狀態過分，直至達到穩定狀態爲止。至於網絡的穩定性，則是經過一個能量函數來描述的。

    3）知識發現和數據挖掘

        知識發現（knowledge discover）和數據發覺（data mining）是在數據庫的基礎上實現的一種知識發現系統。他經過綜合運用統計學、粗糙集、模糊數學、機器學習和專家系統等多種學習手段和方法，從數據庫中提煉和抽取知識，從而能夠揭示出蘊涵在這些數據背後的客觀世界的內在聯繫和本質原理，實現知識的自動獲取。

        傳統的數據庫技術僅限於對數據庫的查詢和檢索，不可以從數據庫中提取知識，使得數據庫中所蘊涵的豐富知識被白白浪費。知識發現和數據挖掘以數據庫做爲知識源去抽取知識，不只能夠提升數據庫中數據的利用價值，同時也爲各類智能系統的知識獲取開闢了一條新的途徑。目前，隨着大規模數據庫和互聯網的迅速發展，知識發現和數據挖掘已從面向數據庫的結構化信息的數據挖掘，發展到面向數據倉庫和互聯網的海量、半結構化或非結構化信息的數據挖掘。

 

三、機器感知

    機器感知做爲機器獲取外界信息的主要途徑，是機器智能的重要組成部分。下面介紹機器視覺、模式識別、天然語言理解。

        1）機器視覺

        機器視覺是一門用計算機模擬或實現人類視覺功能的新興學科。其主要研究目標是使計算機具備經過二維圖像認知三維環境信息的能力。這種能力不只包括 對三維環境中物體形狀、位置、姿態、運動等幾何信息的感知，還包括對這些信息的描述、存儲、識別與理解。

        視覺是人類各類感知能力中最重要的一部分，在人類感知到的外界信息中，約80%以上是經過視以爲到的。人類對視覺信息獲取、處理與理解的大概過程是：人們視野中的物體在可見光的照射下，先再眼睛的視網膜上造成圖像，再有感光細胞轉換成神經脈衝信號，經神經纖維傳入大腦皮層，最後由大腦皮層對其進行處理與理解。可見視覺不只指對光信號的感覺，它還包括了對視覺信號的獲取、傳輸、處理、存儲於理解的全過程。

        目前，計算機視覺已在人類社會的許多領域獲得了成功的應用。例如，在圖像、圖形識別方面有指紋識別、染色體識別、字符識別等；在航天與軍事方面有衛星圖像處理、飛行器跟蹤、成像精確制導、景物識別、景物識別、目標檢測等；在醫學方面有CT圖像的臟器重建、醫學圖像分析等；在工業方面有各類檢測系統和生產過程監控系統等。

        2）模式識別

        模式識別是人工智能最先的研究領域之一。「模式」一詞的原意是指提供模仿用的天衣無縫的一些標本。在平常生活中，能夠把那些客觀存在的事物心事稱爲模式。例如，一幅畫、一個景物、一段音樂、一幢建築等。在模式識別理論中，一般把對某一事物所作的定量或結構性描述的集合稱爲模式。

        所謂模式識別就是讓計算機可以對給定的事務進行鑑別，並把它納入與其相同或類似的模式中。其中被鑑別的事務可使物理的、化學的、生理的，也能夠是文字、圖像、聲音等。爲了能使計算機進行模式識別，一般須要給它配上各類感知器官，使其可以直接感知外界信息。模式識別的通常過程是先採集待識別事務的模式信息，而後對其進行各類變換和預處理，從中抽出有意義的特徵或基元，獲得待識別事務的模式，而後在於機器中原有的各類標準模式進行比較，完成對待識別事物的分類識別，最後輸出識別結果。

        根據給出的標準模式的不一樣，模式識別技術可有多種不一樣的識別方法。其中常常採用的方法有末班匹配法、統計模式法、模糊模式法、神經網絡法等。

    3）天然語言理解

        天然語言理解一直是人工智能的一個重要領域，它主要研究如何使計算機可以理解和生成天然語言。天然語言是人類進行信息交流的主要媒介，但因爲它的多義性和不肯定性，是得人類與計算機系統之間的交流還主要依靠那種收到嚴格限制的非天然語言。要真正實現人機之間的直接天然語言交流，還有待遇天然語言理解研究的突破性進展。

        天然語言理解可分爲聲音語言理解和書面語言理解兩大類。其中聲音語言的理解過程包括語音分析、詞法分析、句法分析、語義分析和御用分析五個階段；書面語言的理解過程除不須要語音分析外，其餘四個階段與聲音語言理解相同。天然語言理解的主要困難在御用分析階段，緣由是它涉及上下文知識，須要考慮語境對語言的影響。

        與天然語言理解密切相關的另外一個領域是機器翻譯，即用計算機把一種語言翻譯成另一種語言。儘管天然語言理解和機器翻譯都已取得了不少進展，但離計算機徹底理解人類天然語言的目標還相距甚遠。天然語言理解的研究不只對智能人機接口有着重要的實際意義，並且對不肯定的人工智能的洋酒也具備重大的理論價值。

 

四、機器行爲

    機器行爲做爲計算機做用於外界環境的主要途徑，也是機器智能的主要組成部分。其主要內容包括：智能控制、智能製造。此處再也不贅述，詳情能夠參考文末資料。

 

 

參考：《人工智能原理及其應用》_王萬森

 

整理不易！！ 轉載請註明出處！

http://www.javashuo.com/article/p-fuzonbwv-kz.html