人工智能研究方向领域报告文档格式.docx
《人工智能研究方向领域报告文档格式.docx》由会员分享,可在线阅读,更多相关《人工智能研究方向领域报告文档格式.docx(8页珍藏版)》请在冰豆网上搜索。
人工智能(ArtificialIntelligence,简称AI)是计算机学科的一个分支,二十世纪七十年代以来被称为世界三大尖端技术之一(空间技术、能源技术、人工智能)。
也被认为是二十一世纪(基因工程、纳米科学、人工智能)三大尖端技术之一。
这是因为近三十年来它获得了迅速的发展,在很多学科领域都获得了广泛应用,并取得了丰硕的成果,人工智能已逐步成为一个独立的分支,无论在理论和实践上都已自成一个系统。
1、研究方向
1.1问题求解
人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。
在下棋程序中应用的某些技术,如向前看几步,并把困难的问题分成一些比较容易的子问题,发展成为搜索和问题归约这样的人工智能基本技术。
今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。
另一种问题求解程序把各种数学公式符号汇编在一起,其性能达到很高的水平,并正在为许多科学家和工程师所应用。
有些程序甚至还能够用经验来改善其性能。
1.2逻辑推理与定理证明
逻辑推理是人工智能研究中最持久的子领域之一。
其中特别重要的是要找到一些方法,只把注意力集中在一个大型数据库中的有关事实上,留意可信的证明,并在出现新信息时适时修正这些证明。
对数学中臆测的定理寻找一个证明或反证,确实称得上是一项智能任务。
为此不仅需要有根据假设进行演绎的能力,而且需要某些直觉技巧。
1976年7月,美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。
他们用三台大型计算机,花去1200小时CPU时间,并对中间结果进行人为反复修改500多处。
四色定理的成功证明曾轰动计算机界。
1.3自然语言理解
NLP(NaturalLanguageProcessing)自然语言处理也是人工智能的早期研究领域之一,已经编写出能够从内部数据库回答用英语提出的问题的程序,这些程序通过阅读文本材料和建立内部数据库,能够把句子从一种语言翻译为另一种语言,执行用英语给出的指令和获取知识等。
有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。
目前语言处理研究的主要课题是:
在翻译句子时,以主题和对话情况为基础,注意大量的一般常识--世界知识和期望作用的重要性。
人工智能在语言翻译与语音理解程序方面已经取得的成就,发展为人类自然语言处理的新概念。
1.4自动程序设计
也许程序设计并不是人类知识的一个十分重要的方面,但是它本身却是人工智能的一个重要研究领域。
这个领域的工作叫做自动程序设计。
已经研制出能够以各种不同的目的描述(例如输入/输出对,高级语言描述,甚至英语描述算法)来编写计算机程序。
这方面的进展局限于少数几个完全现成的例子。
对自动程序设计的研究不仅可以促进半自动软件开发系统的发展,而且也使通过修正自身数码进行学习(即修正它们的性能)的人工智能系统得到发展。
自动编制一份程序来获得某种指定结果的任务同证明一份给定程序将获得某种指定结果的任务是紧密相关的。
后者叫做程序验证。
许多自动程序设计系统将产生一份输出程序的验证作为额外收获。
1.5专家系统
一般地说,专家系统是一个智能计算机程序系统,其内部具有大量专家水平的某个领域知识与经验,能够利用人类专家的知识和解决问题的方法来解决该领域的问题。
也就是说,专家系统是一个具有大量专门知识与经验的程序系统,它应用人工智能技术,根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断,模拟人类专家的决策过程,以解决那些需要专家决定的复杂问题。
当前的研究涉及有关专家系统设计的各种问题。
这些系统是在某个领域的专家(他可能无法明确表达他的全部知识)与系统设计者之间经过艰苦的反复交换意见之后建立起来的。
在已经建立的专家咨询系统中,有能够诊断疾病的(包括中医诊断智能机),估计潜在石油等矿藏的,研究复杂有机化合物结构的以及提供使用其它计算机系统的参考意见等。
发展专家系统的关键是表达和运用专家知识,即来自人类专家的并已被证明对解决有关领域内的典型问题是有用的事实和过程。
专家系统和传统的计算机程序最本质的不同之处在于专家系统所要解决的问题一般没有算法解,并且经常要在不完全、不精确或不确定的信息基础上作出结论。
专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。
高性能的专家系统也已经从学术研究开始进入实际应用研究。
随着人工智能整体水平的提高,专家系统也获得发展。
正在开发的新一代专家系统有分布式专家系统和协同式专家系统等。
在新一代专家系统中,不但采用基于规则的方法,而且采用基于模型的原理。
1.6机器学习
学习能力无疑是人工智能研究上最突出和最重要的一个方面。
人工智能在这方面的研究近年来取得了一些进展。
学习是人类智能的主要标志和获得知识的基本手段。
机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径。
正如香克(R.Shank)所说:
"
一台计算机若不会学习,就不能称为具有智能的。
此外,机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。
所以这是一个始终得到重视,理论正在创立,方法日臻完善,但远未达到理想境地的研究领域。
2、人工智能的研究领域
2.1智能搜索
智能搜索在人工智能中应用很广泛,它能解决人们现实生活中的很多问题,与人们的生活息息相关,例如:
八方块问题、博弈问题等。
大体上来说,搜索分为两种,一种是非启发式的搜索,另一种是启发式搜索。
非启发式的搜索可以分为广度优先搜索、深度优先搜索、有界深度优先搜索、代价树的宽度优先搜索、代价树的深度度优先搜索。
在非启发式的搜索过程中不改变搜索策略,不利用搜索获得的中间信息,它盲目性大,效率差,用于小型问题还可以,用于大型问题根本不可能;
而启发式搜索在搜索过程中加入了与问题有关的启发性信息,用以指导搜索向着一个比较小的范围内进行,加速获得结果的过程。
总的说来,非启发式搜索随着搜索的进行,需要搜索的空间很快加大。
启发式搜索过程中,随着搜索的进行,需要搜索的空间有所增加,但增加的幅度远远小于非启发式搜索。
启发式搜索法的基本思想是在搜索路径的控制信息中增加关于被解问题的某些特征,用于指导搜索向最有希望到达目标结点的方向前进。
启发式搜索可以分为局部择优搜索、
全局择优搜索、有序搜索、A*算法等。
在搜索过程中,关键的一步是如何确定下一个要考察的节点,确定的方法不同就形成了不同的搜索策略。
如果在确定节点时能充分利用与问题求解有关的控制信息,估计出节点的重要性,就能在搜索时选择重要性较高的节点,以利于求得最优解。
像这样可用于指导搜索过程,且与具体问题求解有关的控制性信息称为启发性信息。
2.2人工神经网络技术
2.2.1人工神经网络技术原理概述
人工神经网络研究是采用自下而上的方法,从脑的神经系统结构出发来研究脑的功能,研究大量简单的神经元的集团信息处理能力及其动态行为。
目前,神经网络的研究使得对多年来困扰计算机科学和符号处理的一些难题可以得到比较令人满意的解答,特别是对那些时空信息存贮及并行搜索、自组织联想记亿、时空数据统计描述的自组织以及从一些相互关联的活动中自动获取知识等一般性问题的求解,更显示出独特的能力。
由此引起了智能研究者们的广泛关注,并普遍认为神经网络方法适合于低层次的模式处理。
人工神经网络的研究出发点是以生物神经元学说为基础的。
生物神经元学说认为,神经细胞即神经元是神经系统中独立的营养和功能单元。
生物神经系统.包括中枢神经系统和大脑,均是由各类神经元组成。
其独立性是指每一个神经元均有自己的核和自己的分界线或原生质膜。
生物神经元之间的相互连接从而让信息传递的部位披称为突触(Synapse)。
突触按其传递信息的不同机制,可分为化学突触和电突触、其中化学突触占大多数,其神经冲动传递借助于化学递质的作用。
人的思维有逻辑性和直观性两种不同的基本方式。
逻辑性的思维是指根据逻辑规则进行推理的过程;
它先将信息化成概念,并用符号表示,然后,根据符号运算按串行模式进行逻辑推理;
这一过程可以写成串行的指令,让计算机执行。
然而,直观性的思维是将分布式存储的信息综合起来,结果是忽然间产生想法或解决问题的办法。
这种思维方式的根本之点在于以下两点:
1.信息是通过神经元上的兴奋模式分布储在网络上;
2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟人思维的第二种方式。
这是一个非线性动力学系统,其特色在于信息的分布式存储和并行协同处理。
虽然单个神经元的结构极其简单,功能有限,但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
人工神经网络的工作原理:
人工神经网络首先要以一定的学习准则进行学习,然后才能工作。
现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明,规定当“A”输入网络时,应该输出“1”,而当输入为“B”时,输出为“0”。
所以网络学习的准则应该是:
如果网络作出错误的的判决,则通过网络的学习,应使得网络减少下次犯同样错误的可能性。
首先,给网络的各连接权值赋予(0,1)区间内的随机值,将“A”所对应的图象模式输入给网络,网络将输入模式加权求和、与门限比较、再进行非线性运算,得到网络的输出。
在此情况下,网络输出为“1”和“0”的概率各为50%,也就是说是完全随机的。
这时如果输出为“1”(结果正确),则使连接权值增大,以便使网络再次遇到“A”模式输入时,仍然能作出正确的判断。
如果输出为“0”(即结果错误),则把网络连接权值朝着减小综合输入加权值的方向调整,其目的在于使网络下次再遇到“A”模式输入时,减小犯同样错误的可能性。
如此操作调整,当给网络轮番输入若干个手写字母“A”、“B”后,经过网络按以上学习方法进行若干次学习后,网络判断的正确率将大大提高。
这说明网络对这两个模式的学习已经获得了成功,它已将这两个模式分布地记忆在网络的各个连接权值上。
当网络再次遇到其中任何一个模式时,能够作出迅速、准确的判断和识别。
一般说来,网络中所含的神经元个数越多,则它能记忆、识别的模式也就越多。
2.2.2人工神经网络研究内容
人工神经网络的研究方兴末艾,很难准确地预测其发展方向。
但就目前来看,人工神经网络的研究首先须解决全局稳定性、结构稳定性、可编程性等问题。
现今的研究工作应包含以下的一些基本内容:
(1)人工神经网络模型的研究
包括神经网络原型研究,即大脑神经网络的生理结构、思维机制。
神经元的生物特性如时空特性、不应期、电化学性质等的人工模拟易于实现的神经网络计算模型。
利用物理学的方法进行单元间相互作用理论的研究,如:
联想记忆模型。
(2)神经网络基本理论研究
神经网络的非线性特性,包括自组织、自适应等作用。
神经网络的基本性能,包括稳定性、收敛性、容错性、鲁棒性、动力学复杂性。
神经网络的计算能力与信息存贮容量。
开展认知科学的研究。
探索包括感知、思考、记忆和语言等的脑信息处理模型。
采用诸如连接机制等方法,将认知信息处理过程模型化,并通过建立神经计算学来代替算法沦。
(3)神经网络智能信息处理系统的应用
认知与人工智能:
包括模式识别、计算机视觉与听觉、特