人工智能研究和应用领域

结合本人学习学习《人工智能原理及应用》，现作以下总结！！

概述：本文涵盖人工智能在现阶段主要的研究领域，包括：机器思惟、机器学习、机器感知、机器学习的详细介绍等。

 

一、机器思惟

    机器思惟主要模拟人类的思惟功能。在人工智能中，与机器思惟有关的研究主要包括推理、搜索、规划等。

    这里对该概念就再也不赘述了，感兴趣的同僚能够参考《人工智能原理及应用》

 

二、机器学习

    机器学习是机器获取知识的根本途径，同时也是机器具备智能的重要标志，有人认为，一个计算机系统若是不具有学习功能，就不能称其为智能系统。机器学习有多重不一样的分类方法，若是按照对人类学习的模拟方式，机器学习可分为符号学习和联结学习。

    1）符号学习

        符号学习是指从功能上模拟人类学习能力的机器学习方法，它使一种基于符号主义学派的机器学习挂点。按照这种观点，知识能够用符号来表示，机器学习过程实际是一种符号运算过程。对符号学习，可根据学习策略，即学习中所使用的推理方法，将其分为记忆学习、概括学习、研一学习等。

        记忆学习也叫死记硬背学习，它是一种最基本的学习方法，缘由是任何学习系统都必须记住它们所获取的知识，以便未来使用。概括学习是指以概括推理为基础的学习，它是机器学习中研究较多的一种学习类型，其任务是要从关于某个概念的一系列一直的具体例子出发，概括出通常的结论，像示例学习、决策树学习和统计学习等都是概括学习方法。演绎学习是指以演绎推理为基础的学习，解释学习是一种典型的演绎学习方法，它是在领域知识的知道下，经过对单个问题求解例子的分析，构造出求解过程的因果解释结构，并对该解释结构进行归纳化处理，获得用来求解相似问题的通常性知识。

    2）联结学习

        联结学习也称为神经学习，它是一种基于人工神经网络的学习方法。  现有研究代表，人脑的学习和记忆过程都是经过神经系统来完成的。在神经系统中，神经元及时学习的基本单元，也是记忆的基本单位。链接学习能够有多种不一样的分类方法。比较典型的学习算法有感知器学习、BP网络学习和Hopfield网络学习等。

        感知器学习其实是一种基于纠错学习规则，采用迭代思想对联结权重和阈值进行不断调整，直到知足结束条件为止的学习算法。BP网络学习是一种偏差反向传播网络学习算法。这种学习算法的学习过程由输出模式的正向传播过程和偏差的反向传播过程组成。其中偏差的反向传播过程用于修改各层神经元的链接权值，以肘部减小偏差信号，直至获得所指望的输出模式为止。Hopfield网络学习其实是要寻求系统的稳定状态，即从网络的初试状态开始逐渐向其稳定状态过分，直至达到稳定状态为止。至于网络的稳定性，则是经过一个能量函数来描述的。

    3）知识发现和数据挖掘

        知识发现（knowledge discover）和数据发觉（data mining）是在数据库的基础上实现的一种知识发现系统。他经过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从数据库中提炼和抽取知识，从而能够揭示出蕴涵在这些数据背后的客观世界的内在联系和本质原理，实现知识的自动获取。

        传统的数据库技术仅限于对数据库的查询和检索，不可以从数据库中提取知识，使得数据库中所蕴涵的丰富知识被白白浪费。知识发现和数据挖掘以数据库做为知识源去抽取知识，不只能够提升数据库中数据的利用价值，同时也为各类智能系统的知识获取开辟了一条新的途径。目前，随着大规模数据库和互联网的迅速发展，知识发现和数据挖掘已从面向数据库的结构化信息的数据挖掘，发展到面向数据仓库和互联网的海量、半结构化或非结构化信息的数据挖掘。

 

三、机器感知

    机器感知做为机器获取外界信息的主要途径，是机器智能的重要组成部分。下面介绍机器视觉、模式识别、天然语言理解。

        1）机器视觉

        机器视觉是一门用计算机模拟或实现人类视觉功能的新兴学科。其主要研究目标是使计算机具备经过二维图像认知三维环境信息的能力。这种能力不只包括 对三维环境中物体形状、位置、姿态、运动等几何信息的感知，还包括对这些信息的描述、存储、识别与理解。

        视觉是人类各类感知能力中最重要的一部分，在人类感知到的外界信息中，约80%以上是经过视以为到的。人类对视觉信息获取、处理与理解的大概过程是：人们视野中的物体在可见光的照射下，先再眼睛的视网膜上造成图像，再有感光细胞转换成神经脉冲信号，经神经纤维传入大脑皮层，最后由大脑皮层对其进行处理与理解。可见视觉不只指对光信号的感觉，它还包括了对视觉信号的获取、传输、处理、存储于理解的全过程。

        目前，计算机视觉已在人类社会的许多领域获得了成功的应用。例如，在图像、图形识别方面有指纹识别、染色体识别、字符识别等；在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、景物识别、目标检测等；在医学方面有CT图像的脏器重建、医学图像分析等；在工业方面有各类检测系统和生产过程监控系统等。

        2）模式识别

        模式识别是人工智能最先的研究领域之一。“模式”一词的原意是指提供模仿用的天衣无缝的一些标本。在平常生活中，能够把那些客观存在的事物心事称为模式。例如，一幅画、一个景物、一段音乐、一幢建筑等。在模式识别理论中，一般把对某一事物所作的定量或结构性描述的集合称为模式。

        所谓模式识别就是让计算机可以对给定的事务进行鉴别，并把它纳入与其相同或类似的模式中。其中被鉴别的事务可使物理的、化学的、生理的，也能够是文字、图像、声音等。为了能使计算机进行模式识别，一般须要给它配上各类感知器官，使其可以直接感知外界信息。模式识别的通常过程是先采集待识别事务的模式信息，而后对其进行各类变换和预处理，从中抽出有意义的特征或基元，获得待识别事务的模式，而后在于机器中原有的各类标准模式进行比较，完成对待识别事物的分类识别，最后输出识别结果。

        根据给出的标准模式的不一样，模式识别技术可有多种不一样的识别方法。其中常常采用的方法有末班匹配法、统计模式法、模糊模式法、神经网络法等。

    3）天然语言理解

        天然语言理解一直是人工智能的一个重要领域，它主要研究如何使计算机可以理解和生成天然语言。天然语言是人类进行信息交流的主要媒介，但因为它的多义性和不肯定性，是得人类与计算机系统之间的交流还主要依靠那种收到严格限制的非天然语言。要真正实现人机之间的直接天然语言交流，还有待遇天然语言理解研究的突破性进展。

        天然语言理解可分为声音语言理解和书面语言理解两大类。其中声音语言的理解过程包括语音分析、词法分析、句法分析、语义分析和御用分析五个阶段；书面语言的理解过程除不须要语音分析外，其余四个阶段与声音语言理解相同。天然语言理解的主要困难在御用分析阶段，缘由是它涉及上下文知识，须要考虑语境对语言的影响。

        与天然语言理解密切相关的另外一个领域是机器翻译，即用计算机把一种语言翻译成另一种语言。尽管天然语言理解和机器翻译都已取得了不少进展，但离计算机彻底理解人类天然语言的目标还相距甚远。天然语言理解的研究不只对智能人机接口有着重要的实际意义，并且对不肯定的人工智能的洋酒也具备重大的理论价值。

 

四、机器行为

    机器行为做为计算机做用于外界环境的主要途径，也是机器智能的主要组成部分。其主要内容包括：智能控制、智能制造。此处再也不赘述，详情能够参考文末资料。

 

 

参考：《人工智能原理及其应用》_王万森

 

整理不易！！ 转载请注明出处！

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