人工智能期末論文
人工智能期末論文
人工智能是一種外向型的學科，它不但要求研究它的人懂得人工智能的知識，而且要求有比較扎實的數(shù)學基礎，哲學和生物學基礎，以下是學習啦小編整理分享的關(guān)于人工智能期末論文的相關(guān)文章，歡迎閱讀!
人工智能期末論文篇一
人工智能的研究領域
人工智能的研究更多的是結(jié)合具體領域進行的，主要研究領域有專家系統(tǒng)，機器學習，模式識別，自然語言理解，自動定理證明，自動程序設計，機器人學，博弈，智能決定支持系統(tǒng)和人工神經(jīng)網(wǎng)絡。
人工智能是一種外向型的學科，它不但要求研究它的人懂得人工智能的知識，而且要求有比較扎實的數(shù)學基礎，哲學和生物學基礎，只有這樣才可能讓一臺什么也不知道的機器模擬人的思維。
因為人工智能的研究領域十分廣闊，它總的來說是面向應用的，也就說什么地方有人在工作，它就可以用在什么地方，因為人工智能的最根本目的還是要模擬人類的思維。因此我們可以從許多的應用領域中挑選幾個有代表性的方面來看看人工智能的發(fā)展需要進行哪些方面的工作。
下面我們就具體的應用方面專家系統(tǒng)來看看人工智能的主要研究領域是什么。
專家系統(tǒng)是目前人工智能中最活躍，最有成效的一個研究領域，它是一種基于知識的系統(tǒng)，它從人類專家那里獲得知識，并用來解決只有專家才能解決的困難問題。這樣定義專家系統(tǒng)：專家系統(tǒng)是一種具有特定領域內(nèi)大量知識與經(jīng)驗的程序系統(tǒng)，它應用人工智能技術(shù)、模擬人類專家求解問題的思維過程求解領域內(nèi)的各種問題，其水平可以達到甚至超過人類專家的水平。專家系統(tǒng)是在關(guān)于人工智能的研究處于低潮時提出來的，由它的出現(xiàn)及其所顯示出來的巨大潛能不僅使人工智能擺脫了困境，而且走上了發(fā)展時期。
專家系統(tǒng)的分類有解釋型，診斷型，預測型，設計型，規(guī)劃型，控制型，監(jiān)測型，維修型，教育型和調(diào)試型，而從體系上來說，它可分為集中式專家系統(tǒng)，分布式專家系統(tǒng)，神經(jīng)網(wǎng)絡專家系統(tǒng)，符號系統(tǒng)與神經(jīng)網(wǎng)絡結(jié)合的專家系統(tǒng)。
人機接口部分就不做多的解釋了，它只是一個用戶界面而已。它的實現(xiàn)可以有不同的形式，也有可能是很復雜的。人們希望能夠和人類專家那樣和機器交流，不再使用簡單的命令，而是用人類的語言完成交互工作，這就要求人機接口能夠有自然語言理解的功能。但是專家系統(tǒng)能不能使用，好不好使用關(guān)鍵在中間的那一層，人可以思考，如果希望機器也能夠象人那樣思考，那么推理機制是必不可少的，而且它在很大程序上決定了這個專家系統(tǒng)的效率和可用性。
就推理而言，它一般可以分為精確推理和非精確推理兩種。精確推理有以下特點：
精確推理是運用確定性的知識進行的推理，精確推理基于的知識都是明確無誤的東西，是1就是1，是2就是2，不存在什么模糊的東西，在一點上，精確推理有它的長處，也就是說，它可以準確地推理，在推理的過程中不必關(guān)心會不會出現(xiàn)什么結(jié)論精確度的問題，每一步到下一步都是完全正確的，不存在什么可能對可能錯，它的正確性是100%傳遞給下一個推理過程的。
精確推理和人類的思維模型相差很大，人類的思維是有精確的一面，但是絕大部人類的思維還是模糊的和不確定的，人類思維的結(jié)果往往是可能如何如何，大概如何如何，但是精確推理的結(jié)果中絕對不會有什么可能大概之類的話。
精確推理是一種單調(diào)性推理，即隨著新知識的加入，推出的結(jié)論或證明了的命題只會單調(diào)增加，這一點和人類的思維結(jié)構(gòu)也有著明顯的不同。新的知識有可能使人類的思維結(jié)果增加，但絕對不會是單調(diào)增加。
精確推理需要知道全部的信息才可能進行推理，這與人有明顯的不同，人可以根據(jù)一些情況進行一些假設和推斷，產(chǎn)生一個結(jié)果，而精確推理卻不可能。
正因為精確推理的基礎是經(jīng)典邏輯，而經(jīng)典邏輯可以說是一種符號化了的形式推理，它關(guān)心的是符號與符號之間的形式聯(lián)系，而不是符號與符號之后深層次的語義聯(lián)系。也正是因為這一點，限制了精確推理在人工智能中的應用。如果讓這種邏輯解一些題，進行一些確定性的工作，它還是可以的，但是如果讓它進行更復雜的工作就力不從心了。我們可以想象一下機器翻譯中的例子，人類語言中的有些句子根本沒有什么語法，非要從語義上理解不可。這個時候精確推理就不好用了。
下面我們看看，人類思維的另一方面，非精確方面。我們知道所謂推理就是從已知的事實出發(fā)，通過運用相關(guān)知識逐步推出結(jié)論或者證明某個假設不成立的思維過程。專家系統(tǒng)中的知識來自于領域內(nèi)的人類專家，而這種知識常常帶有不確定性，在這種情況下，如果仍然使用經(jīng)典邏輯做精確推理，就必然要把客觀事物原來具有的不確定性及事物之間客觀存在的不確定性關(guān)系化歸為確定性，在本來不存在明確類屬關(guān)系的事物之間人為地劃上界限，這無疑會舍棄事物的某些重要屬性，從而失去真實性。不確定性推理是建立在非經(jīng)典邏輯上的一種推理，它是對不確定性知識的運用與處理，嚴格地說，所謂不確定性推理就是從不確定性的初始證據(jù)出發(fā)，通過運用不確定性的知識，最終推出具有一定程度不確定的，但是卻是合理(或近乎于合理)的結(jié)論的思維過程。
要處理不確定的時候就涉及到確定性推理中不存在的幾個基本問題：如何表示這種不確定性，根據(jù)表示了的不確定性如何進行推理得到一個(或多個結(jié)論)，在推理的過程中如何處理不確定性帶來的結(jié)論的不確定性，如果評價所得到的結(jié)果。
因為計算機是處理數(shù)字的一種裝置，因此對于不確定性的表示說到底還是將它表示成一種有范圍的數(shù)值，這種數(shù)值要有利于推理中對結(jié)論不確定性的計算。
解決問題總是需要推理的，而推理出的結(jié)論能不能用，是不是結(jié)果，那就需要一種衡量的方法，衡量的方法和具體的推理方法不同而不同，現(xiàn)有的推理方法基本上走的是兩條路，一條是基于概論論的，一條是基于模糊數(shù)學的，前者發(fā)展的歷史很長了，有很多現(xiàn)成的結(jié)果可以使用，但是由于概率是基于一種大樣本統(tǒng)計的產(chǎn)物，而這種大樣本統(tǒng)計往往不可能得到，而且還沒有充分體現(xiàn)模糊性，所以也更談不上對模糊性進行有效地處理了;而后者克服了前者的缺點，它根據(jù)模糊集理論發(fā)展出來，為不確定性的判斷和獲得開辟了新的道路。
現(xiàn)在我們回到我們上面的專家系統(tǒng)基本結(jié)構(gòu)圖上來，我們知道人類的推理活動是基于一定知識進行的，我們解幾何題的時候總是要知道一些基本的公理(或定理)，醫(yī)生看病的時候起碼要有一點最起碼的醫(yī)學常識，這樣才有進行推理的物質(zhì)條件，推理是建立在具有知識的基礎上進行的。
知識就是一些事實或事實的抽象，我們稱之為概念的東西組成的。知識是對客觀事物某一方面屬性的了解。知識有著它的特性：
相對正確性。任何知識都有一定的應用范圍，不能脫離了范圍來說一個知識可用不可用;
不確定性。由于現(xiàn)實世界的復雜性，許多事實和概念都不可以說是絕對正確，就象哲學中不存在絕對真理一樣，知識本身也有不確定性;
可表示性。同樣，知識也要是可以表達的，用口述也要，用什么東西記錄也要，要能夠感知的，如果不能表示出來，那誰能夠理解，連表示都表示不出來，那也根本談不上應用了。不能用的東西，我們知道也罷不知道也罷，對于面向應用的人工智能來說沒有什么意義。
事實和概念之間，概念和概念之間，事實和事實之間都存在聯(lián)系，這種聯(lián)系有兩種，靜態(tài)聯(lián)系和動態(tài)聯(lián)系。
靜態(tài)聯(lián)系。比如，我們一旦提起“早上”這個概念就會想起“太陽東升”或“公雞叫”之類的事實，這種聯(lián)系有時候是雙向的，也就是等價的，而有時是單向的，我們可以把“太陽東升”與“早上”等價起來，而我們?nèi)绻?ldquo;公雞叫”和“早上”等價起來，十有八九可能要錯了。
動態(tài)聯(lián)系。除了靜態(tài)的聯(lián)系以外，我們還必須看到，事實和概念之間也會存在一種動態(tài)的聯(lián)系，這一點在機器翻譯中很好的體現(xiàn)了。比如在上文中看到了一個概念A，它建立了概念B的聯(lián)系，那么，我們在下文中就必須承認A和B之間是有聯(lián)系的，即使在生活中這種聯(lián)系是根本不存在的，只要在上文中已經(jīng)承認了這種聯(lián)系，我們就必須承認這種聯(lián)系的存在。再具體一點，我們在翻譯一篇科幻小說的時候，前文已經(jīng)說過這個地方“早上”太陽是從“北方升起”，那么，“太陽北方升起”就和“早上”這個概念建立了聯(lián)系，在這篇文章的翻譯中就要注意了，凡是有關(guān)早上太陽的都要是從“北方升起”的。但是千萬要注意，這種聯(lián)系不可做為靜態(tài)聯(lián)系而帶到下一個文章中，如果把這個聯(lián)系記住帶到下一個文章中去，那可就出大麻煩了。
前面已經(jīng)說過知識是客觀事物某一方面屬性的描述，而正因為客觀事物是相互聯(lián)系的，因此知識也必須是相互聯(lián)系的。這就是知識聯(lián)系的存在的本質(zhì)原因。
知識作為機器智能的一部分，就必須能夠讓機器知道什么是知識，那就涉及到了知識表示的問題，這個問題就象人記錄某一事實有不同的方法一樣，例如對于聾子來說，你讓他把“早上”和“公雞叫”聯(lián)系在一起，那是根本不可能的。而對于機器這個東西，它簡直就是一個又聾又瞎，又沒有感覺(更談不上感情)的石頭，它只理解數(shù)字和一些人為規(guī)定的數(shù)據(jù)結(jié)構(gòu)，那么如何讓它能夠理解知識，特別是知識中的聯(lián)系就是一個重要的問題了，一個專家系統(tǒng)的推理系統(tǒng)做得再好，沒有知識做為后盾肯定什么也干不成。
同時，知識的表示又影響到推理機制的運行，推理機制和知識表示兩者是相關(guān)的，一種知識表示可以有利于一種推理機制的運行，而另一種則不利于這種推理機制的運行，因此選擇知識表示也一定要根據(jù)所要處理的具體領域選擇相應的知識表示方法，具體的知識表示有以下幾種：
一階謂詞邏輯表示法。它是把一些知識表示為經(jīng)典邏輯中的謂詞表示式，因為表示成了謂詞的形式，進行推理起來當然比較方便了，但是有許多知識是根本無法表示為謂詞的，其關(guān)鍵原因是因為謂詞只有表示出精確的知識，而對不確定的事物無法有效表示;同時這種表示方式也不能很好地體現(xiàn)知識的內(nèi)在聯(lián)系，尋找知識內(nèi)在聯(lián)系的任務要交給推理系統(tǒng)或另外的系統(tǒng)完成，這就比較麻煩了。
產(chǎn)生式表示法。它的基本形式類似于我們的IF語句的形式，因為與計算機中一些現(xiàn)成的語句相似，因此對它的處理要方便得多。它注意到了聯(lián)系和知識的應用范圍，但是它在表示結(jié)構(gòu)性知識上可是先天不足。
框架表示法。它的基本作法是把許多事物放在一起，構(gòu)成一個集合，然后就這個集合中的聯(lián)系和事實進行表示，這種表示方法可比前兩種科學得多了。在機器翻譯中，如果一個老太太說到VC，我們可不要把它和微軟聯(lián)系起來，而要和維生素C等價。這種表示法限制了概念出現(xiàn)的場合，這可能是它的不足之處，但是相對于前面兩種表示法，它是很接收于人類思維的一種表示法，它無形中體現(xiàn)了知識適用的范圍。更重要的是它是可以繼承的，在這一點上，它更加接近人的思維了。
語義網(wǎng)絡法。我們自己可以想象一下自己所擁有的知識體系，有是有結(jié)構(gòu)的，但在另一角度上看，它是一個網(wǎng)絡，普遍聯(lián)系的網(wǎng)絡，而語義網(wǎng)絡表示法正是在表示人類知識體系成網(wǎng)絡化的一面，而且它能夠使聯(lián)想式推理在其上得到很好的發(fā)揮，為進行復雜推理打下了堅實的基礎。它很接近人類思維，但是它不能正確表示類屬關(guān)系，它體現(xiàn)了網(wǎng)絡性，但它忽視了事物有類屬性?？蚣鼙硎痉ê驼Z義網(wǎng)絡表示法在這一點是有互補性的。
腳本表示法。這種表示法在自然語言理解方面開始應用，這是因為自然語言理解的特殊性要求有這樣一種表示法。它正確地表示了上下文關(guān)系，表示了事物之間的靜態(tài)關(guān)系，動態(tài)關(guān)系，充分考慮到了場景(上下文)，但是世界上的場景可實在是太多了，保存這些場景幾乎是不可能的。這就限制了它的應用范圍。
就知識表示來的幾種方法來看，知識的表示有貼近于人類表示的，有與人類表示相差比較遠的表示方法，總體上我們可以看到一種特點：與人類思維接近的表示法，讓計算機表示起來都會有一定的麻煩，而與機器接近的表示法卻不能完全表示人類知識結(jié)構(gòu)。機器和人之間有著一種差別，這種差別可能開始促使人們開始研究新結(jié)構(gòu)的計算機，讓機器和人類思維之間的差別減少到最小。但是因為目前人類的思維結(jié)構(gòu)，人腦的結(jié)構(gòu)還不能搞得很清楚，因此能夠靠這樣一臺機器把人和機器的思維差距縮小到什么程度就不得而知了。而且就目前看來，替換如此許多的計算機也是不現(xiàn)實的，因此有必要采用另外的方法讓機器和思維和人類的思維更加接近。
有人說人工智能就是一個數(shù)據(jù)庫加上搜索，從某種程度上，這句話也確實可以說明人工智能的現(xiàn)狀。無論是在知識庫這一方也好，還是在推理機那一方也好，都要涉及到搜索這一過程。
大體上來說，搜索分為兩種，一種是非啟發(fā)式的搜索，另一種是啟發(fā)式搜索。非啟發(fā)式的搜索在搜索過程中不改變搜索策略，不利用搜索獲得的中間信息，它盲目性大，效率差，用于小型問題還可以，用于大型問題根本不可能;而啟發(fā)式搜索在搜索過程中加入了與問題有關(guān)的啟發(fā)性信息，用以指導搜索向著一個比較小的范圍內(nèi)進行，加速獲得結(jié)果的過程。我們都知道計算機中有一個NP完全性問題，也正是因為這個使非啟發(fā)式搜索在許多場合下不可用，但是啟發(fā)式搜索雖然利用了搜索的中間結(jié)果，減少了搜索量，看起來優(yōu)于非啟發(fā)式搜索，它所得到的解是不是最優(yōu)解這往往令人頭痛。總的說來，非啟發(fā)式搜索隨著搜索的進行，需要搜索的空間很快加大;啟發(fā)式搜索隨著搜索的進行，需要搜索的空間有所增加，但增加的幅度遠遠小于非啟發(fā)式搜索。問題空間中的有些地方因為中間信息的獲得而根本不用搜索了。隨著計算機硬件性能的不斷提高和實際系統(tǒng)的需求，原來看起來不能使用非啟發(fā)式搜索的地方現(xiàn)在也可以了，所以在實際應用中非啟發(fā)式搜索仍然使用很廣。
有了搜索的方法，那我們現(xiàn)在可以看看要搜索的東西是什么樣子的了。數(shù)據(jù)結(jié)構(gòu)決定算法的實現(xiàn)。對于我們所知道的問題，我們可以采用狀態(tài)空間或與或樹的表示方法來表示一個待搜索的問題空間。
由于工程實踐的需要，搜索的結(jié)果有時候可以不是最優(yōu)解(有時候最優(yōu)解也沒有判定標準)，而是次優(yōu)解，我們可以想一下機器翻譯中對一句話的翻譯可能有許多種，哪里談得上有什么最優(yōu)的。因此，隨了我們熟悉的一些類似的深度優(yōu)先，廣度優(yōu)先算法以外，現(xiàn)在研究的很多還有一種進化式的搜索算法，例如遺傳算法，模擬煺火算法等等，它們有的搜索方法獨立于問題，而且能夠在比較短的時間內(nèi)找到最優(yōu)解(或次優(yōu)解)，特別適應于對問題空間比較在的情況下使用。
拿遺傳算法來說，我想更重要的一點是我們不必關(guān)心它如何做，而只用關(guān)心它做什么，這一點是相對于傳統(tǒng)搜索算法的最大不同。而人工智能所追求的也就是讓機器具有類似人類的智能，如果你能夠告訴一臺計算機要干什么，它就能夠自己干了，而不用你告訴它如何干，那人工智能就已經(jīng)實現(xiàn)了。
我們現(xiàn)在再回到上面專家系統(tǒng)基本結(jié)構(gòu)圖上來。我們有了推理機，有了知識庫，按說就可以實現(xiàn)用戶的功能了，但是我們還應該注意到，另一個重要的部件，知識獲取部分，一個人類專家只所以能夠成為人類專家，就是它可以在實踐過程中不斷地豐富自己的知識，讓自己做出的結(jié)論在結(jié)合實踐后反饋回自己，讓自己修改錯誤，人是一個負反饋的系統(tǒng)，而我們上面提到的沒有知識獲取的專家系統(tǒng)根本沒有什么反饋，這個機器專家，現(xiàn)在是這個水平，將來還會是這個水平，它所知道的，不會因為自己的實踐而有絲毫的變化。因此它不能適用工程實際的需要。知識獲得部分的工作就是要建立這樣一種反饋機制，把所得到的結(jié)果反饋給知識庫，修改已知的知識，讓它得到的結(jié)果更準確，更具有可用性。如果讓它能夠?qū)嵗M行學習，那更好不過了，編程人員就可以不用把一條條的規(guī)則用程序?qū)懡o這個專家系統(tǒng)了，而只用把一個個用計算機作好標記的實例交給計算機，它自己會生成知識庫，這樣它就更象一個人了。因此，如果一個專家系統(tǒng)有自學習的功能，那在系統(tǒng)的維護方面和系統(tǒng)的可用性方面一定會大有提高。
機器學習在這樣的需求下產(chǎn)生了。機器學習的方法有以下幾種：
機械式學習。它的另一個名稱死記式學習能夠直接體現(xiàn)它的特點，這是一種最簡單的，最原始的學習方法，也是機器的強項，人的弱項。
指導式學習。這種學習方式是由外部環(huán)境向系統(tǒng)提供一般性的指示或建議，系統(tǒng)把它們具體地轉(zhuǎn)化為細節(jié)知識并送入知識庫中，在學習過程中要對反復對知識進行評價，使其不斷完善。
歸納學習。我們看到，機器所善長的不是歸納，而是演繹，它適用于從特殊到一般，而不太適應從一般到特殊，從特殊到一般的歸納是人類所特有的，是智慧的標志。具體的歸納學習方法有許多，但它們的本質(zhì)就是讓計算機學會從一般中得出規(guī)律。
類比學習。類比也就是通過對相似事物進行比較所進行的一種學習。它的基礎是類比推理，也就是把新事物和記憶中的老事物進行比較，如果發(fā)現(xiàn)它們之間有些屬性是相同的，那么可以(假定地)推斷出它們的另外一些屬性也是相同的。
基于解釋的學習。這是近年來興起的一種新的學習方法。它不是通過歸納或類比進行學習，而是通過運用相關(guān)的領域知識及一個訓練實例來對某一目標概念進行學習，并最終生成這個目標概念的一般描述，這個一般描述是一個可形式化表示的一般性知識。
通過以上的學習方法就是為了得到知識，通過一種方便的方法得到知識。前面已經(jīng)說過了，因為機器的思考方式和人類的思考方式大有不同之處，因此讓機器通過自己學習生成自己便于理解和使用的知識，也不失為機器學習的目標之一。
就人工智能的研究領域來說，前面說所說的系統(tǒng)可以表示成下面這樣一個圖示：
這個系統(tǒng)類型于控制中的負反饋系統(tǒng)，把結(jié)果重新作用于知識庫上，于是知識庫得到不斷地修正，以適應系統(tǒng)的需要。但是我們注意到上圖中，如果把結(jié)果作用于推理機會得到什么結(jié)果。我們前面討論的專家系統(tǒng)也好，推理機也好，機器學習也好，與人的差距就在于我們還需要告訴它們怎么做，而不是僅僅告訴它們做什么，它們就會去做了。人工智能的兩種研究方法，一種是希望找到人類智力的數(shù)學解釋，只要找到了數(shù)學解釋，那么人工智能就可以得到實現(xiàn)了;另一種是用一種軟件或硬件的結(jié)構(gòu)來模擬人腦的結(jié)構(gòu)，通過類似仿生學的方法來模擬人類思維。而神經(jīng)網(wǎng)絡正是基于后一種思路提出的。從某種意義上來說，對于神經(jīng)網(wǎng)絡而言，結(jié)果它改變的是不是知識庫，而是推理機的結(jié)構(gòu)，它也是研究人工智能的一種重要的方法。
神經(jīng)網(wǎng)絡也就是模擬人腦中神經(jīng)元的功能，希望通過模擬人腦最基本的單位神經(jīng)元功能來模擬人腦的功能。它通過一定的范例訓練構(gòu)成的神經(jīng)網(wǎng)絡，就象教一個小孩子一樣，在訓練結(jié)束后，這個神經(jīng)網(wǎng)絡就可以完成特定的功能了。它是通過范例的學習，修改了知識庫和推理機的結(jié)構(gòu)，達到實現(xiàn)人工智能的目的。
最后還有一個應用領域，就是模型識別，我想它應該在知識挖掘中應用不小，因為現(xiàn)在工程中的獲得的數(shù)據(jù)越來越多，要想人為地從這些數(shù)據(jù)中確定某一規(guī)律都不容易，更不要說在這些數(shù)據(jù)中發(fā)現(xiàn)新規(guī)律了，因此有必要進行數(shù)據(jù)挖掘，它的應用對于決策支持系統(tǒng)將有著巨大的意義。
人可以思考，人工智能也需要思考，這就是推理;人可以學習，人工智能也就需要學習;人可以擁有知識，那么人工智能也就需要擁有知識。
人工智能是為了模擬人類大腦的活動的，人類已經(jīng)可以用許多新技術(shù)新材料代替人體的許多功能，只要模擬了人的大腦，人就可以完成人工生命的研究工作，人創(chuàng)造自己，這不但在科學上，而且在哲學上都具有劃時代的意義。
最后，我們來總結(jié)一下，人工智能的各個研究領域。參照人在各種活動中的功能，我們可以得到人工智能的領域也不過就是代替人的活動而已。哪個領域有人進行的智力活動，哪個領域就是人工智能研究的領域。人工智能就是為了應用機器的長處來幫助人類進行智力活動。人工智能研究的目的就是要模擬人類神經(jīng)系統(tǒng)的功能。
下一頁分享更優(yōu)秀的<<<人工智能期末論文