人工智能及其应用知识点整理文档格式.docx
《人工智能及其应用知识点整理文档格式.docx》由会员分享,可在线阅读,更多相关《人工智能及其应用知识点整理文档格式.docx(19页珍藏版)》请在冰豆网上搜索。
![人工智能及其应用知识点整理文档格式.docx](https://file1.bdocx.com/fileroot1/2022-12/12/cd9e97b1-394e-4ba9-8161-e2334d94a0a3/cd9e97b1-394e-4ba9-8161-e2334d94a0a31.gif)
系统地创立了控制论,根据这一理论,一个机桢系统完全能进行运算和记忆。
帕梅拉·
麦考达克在她的著名的人工智能《机器思维》(MachineWhoThink,1979)中曾经指出:
在复杂的机械装置与智能之佪存在着的。
著名的英国科学家图灵被称为人工智能之父,图灵不仅创造了一个简单的通用的非数字计算模型,而且直接证明了计算机可能以某种被理解为智能的方法工作。
提出了著名的图灵测试。
数理逻辑从19世纪末起就获迅速开展;
到20世纪30年代开始用于描述智能行为。
计算机出现后,又在计算机上实现了逻辑演绎系统。
1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型,即MP模型。
60-70年代,联结主义,尤其是对以感知机(perptron)为代表的脑模型的研究曾出现过热泭],控制论思想早在40-50年代就成为时代思潮的重要局部,影响了早期的人工智能工。
到60-70年代,控制论系统的研究取得一定进展,播下智能控制和智能机器人的种子。
能够用机器(计算机)模仿人的智能物理符号系统的假设:
任何一个系统,如果它能够表现出智能,那么它就必定能执行输入符号、输出符号、存储符号、符号、建立符号结构、条件性迁移6种功能。
反之,任何系统如果具有这6种功能,那么它就能够表现出智能(人类所具有的智能)。
物理符号系统的假设伴随有3个推论。
推论一既然人具有智能,那么他(她)就一定是个物理符号系统。
推论二既然计算机是一个物理符号系统,它就一定能够表现出智能。
推论三既然人是一个物理符号系统,计算机也是一个物理符号系统,那么我们就能够用计算机来模拟人的活动。
现在人工智能有哪些学派,它们的认知观是什么符号主义(Symbolis),又称为逻辑主义(Logici)、心理学派(Psychlogi)或计算机学派(Computeri)[其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。
]认为人的认知基元是符号,而且认知过程即符号操作过程。
认为人是一个物理符号系统,计笋机也是一个物理符号系统,因此,我们就能够用计算机来模拟人的智能行为。
知识是信息的一种形式,是构成智能的根底。
人工智能的核心问题是知识表示、知识推理和知识运用。
联结主义(Connectioni),又称为仿生学派(Bionicsi)或生理学派(Physiologi)[其原理主要为神经网络及神经悯络间的连接机制与学习算法]认为人的思维基元是神经元,而不是符号处理过程。
认为人脑不同于电脑,并提出联结主义的大脑工作模式,用千取代符号操作的电脑工作模式。
行为主义(Actioni),又称进化主义(Eovlutioni)或控制论学派(Cybericsi)[其原理为控制论及感知动作型控制系统]认为智能取决千感知和行动。
认为智能不需要知识、不需要表示、不需萝推理;
人工智能可以象人类智能一样逐步进化。
智能行为只能在现实世界中与周围环境交互作用而表现出来。
符号主义、联结主义对真实世界客观事物的描述及其智能行为工作模式是过于简化的抽象,因而是不能真实地反映客观存在的。
人工智能的研究目标在前面从学科和能力定义人工智能时,我们曾指出:
人工智能的近期研究目标在千“研究用机器来模仿和执行人脑的某些智力功能,并相关理论和技术。
”而且这些智力功能“涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行动和问题求解等活动”。
人工智能的一般研究目标为:
(1)更好地理解人类智能,通过编写程序来模仿和检验有关人类智能的理论。
(2)创造有用的灵巧程序,该程序能够执行一般需要人类专家才能实现的任务。
一般地,人工智能的研究目标又可分为近期研究目标和远期研究目标两种。
人工智能的近期研究目标是建造智能计算机以代替人类的某些智力活动。
人工智能的远期目标是用自动机模仿人类的思维活动和智力功能。
人工智能研究的根本内容人工智能学科有着十分广泛和极其丰富的研究内容。
不同的人工智能研究者从不同的角度对人工智能的研究内容进行分类。
例如,基于脑功能模拟、基于不同认知观、基于应用领域和应用系统、基于系统结构和支撑环境等。
因此,要对人工智能研究内容进行全面和系统的介绍也是比拟困难的,而且可能也是没有必要的。
人工智能研究的根本内容包括:
认知建模,知识表示,知识推理,知识应用,机器感知,机器思维,机器学习,机器学习,智能系统构建。
人工智能研究方法由于研究者的专业和研究领域的不同以及他们对智能本质的理解有异,因而形成了不同的人工智能学派,各自采用不同的研究方法。
与符号主义、连接主义和行为主义相应的人工智能研究方法为功能模拟法、结构模拟法和行为模拟法。
人工智能计算方法基于符号逻辑的人工智能学派强询基于知识的表示与推理,而不强调计算,但并非没有任何计算。
图搜索、谓词演箕和规那么运算都属于广义上的计算。
显然,这些计算是与传统的采用数理方程、状态方程、差分方程、传递函数、脉冲传递函数和矩阵方程等数值分析计算有根本区别的。
随着人T智能的开展,出现了各种新的智能计算技术,如模糊计算、神经计算、进化计算、免疫计算和粒子群计算等,它们是以算法为根底的,也与数值分析计算方法有所不同。
从哪些层次对认知行为进行研究心理活动的最高层级是思维策略,中间一层是初级信息处理,最低层级是生理过程,与此相应的是计绑机程序、语言和硬件。
研究认知过程的主要任务是探求高层次思维决策与初级信息处理的关系,并用计算机程序来模拟人的思维策略水平,而用计算机语言模拟人的初级信息处理过程。
人工智能的主耍研究和应用领域是什么,其中哪些是新的研究热点问题求解(下棋程序),逻辑推理与定理证明(四色定理证明),自然语言理解,自动程序设计,专家系统,机器学习,神经网络,机器人学(星际探索机器人),模式识别(手写识别,汽车牌照识别,指纹识别),机器视觉(机器装配,卫星图像处理),智能控制,智能检索,智能调度与指挥(汽车运输高度,列车编组指挥),系统与语言工具。
新的研究热点:
分布式人工智能与Agent,计绑智能与进化计算,数据挖掘与知识发现(市场商品数据分析),人工生命。
第二章知识表示方法本章所讨论的知识表示问题是人工智能研究的核心问题之一。
对知识表示新方法和混合表示方法的研究仍然是许多人工智能专家学者感兴趣的研究方向。
适中选择和正确使用知识表示方法将极大地提高人工智能问题求解效率。
人们总是希望能够使用行之有效的知识表示方法解决面临的问题。
知识表示方法很多,本章介绍了其中的7种,有图示法、公式法、结构化方法、陈述式表示和过程式表示等。
状态空间法是一种基千解答空间的问题表示和求解的方法,它是以状态和操作符为根底的。
在利用状态空间图表示时,从某个初始状态开始,每次加一个操作符,递增地建立起操作符的试验序列,直到到达目标状态为止。
由于状态空间法需要扩展过多的节点,容易出现”组合“,因而只适用于表示比拟简单的问题。
问题归约法从目标(要解决的问题)出发,逆向推理,通过一系列变换把初始问题变换为子问题和子子问题,直至最后归约为一个平凡的本原问题。
这些本原问题的解可以直接得到从而解决了初始问题,用与或图来有效地说明问题归约法的求解途径。
问题归约法能够比状态空间法更有效地表示问题。
状态空间法是问题归约法的一种特例。
在问题归约法的与或图中,包含有与节点和或节点,而在状态空间法中只含有或节点。
谓词逻辑法采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的问题,然后采用消解定理和消解反演来证明一个新语句是从的正确语句导出的,从而证明这个新语句也是正确的。
谓词逻辑是一种形式语言,能够把数学中的逻辑论证符号化。
谓词逻辑法常与其他表示方法混合使用,灵活方便,可以表示比拟复杂的问题。
语义网络是一种结构化表示方法,它由节点和弧线或链线组成。
节点用于表示物体、概念和状态,弧线用千表示节点间的关系。
语义网络的解答是一个经过推理和匹配而得到的具有明确结果的新的语义网络。
语义网络可用于表示多元关系,扩展后可以表示更复杂的问题。
框架是一种结构化表示方法。
框架通常由指定事物各个方面的槽组成,每个槽拥有假设干个侧面,而每个侧面又可拥有假设干个值。
大多数实用系统必须同时使用许多框架,并可把它们联成一个框架系统。
框架表示已获广泛应用,然而并非所有问题都可以用框架表示。
本体是概念化的一个显式标准说明或表示。
本体可定义为被共享的概念化的一个形式标准说明。
本章在论述了本体的根本概念后,讨论了本体的组成、分类与建模。
本体是一种比框架更有效的表示方法。
过程是一种知识的过程式表示,它将某一有关问题领域知识同这些使用方法一起,隐式地表示为一个问题求解过程。
过程表示用程序来描述问题,具有很高的问题求解效率。
由千知识隐含在程序中难以操作,所以适用范围较窄。
对于同一间题可以有许多不同的表示方法。
不过对于特定间题,有的表示方法比拟有效,其他表示方法可能不大适用,或者不是好的表示方法。
在表示和求解比拟复杂的问题时,采用单一的知识表示方法是远远不够的,往往必须采用多种方法混合表示。
例如,综合采用框架、本体、语义网络、谓词逻辑的过程表示方法(两种以上),可使所研究的问题获得更有效的解决。
此外,在选择知识表示方法时,还要考虑所使用的程序设计语言所提供的功能和特点,以便能够更好地描述这些表示方法。
第三章确定性推理本章所讨论的知识的搜索与推理是人工智能研究的另一核心问题。
对这一问题的研究曾经十分活泼,而且至今仍不乏高层次的研究课题。
正如知识表示一样,知识的搜索与推理也有众多的方法,同一问题可能采用不同的搜索策略,而其中有的比拟有效,有的不大适合具体问题。
在应用盲目搜索进行求解的过程中,一般是"盲目“地穷举,即不运用特别信息。
盲目搜索包括宽度优先搜索、深度优先搜索和等代价搜索等,其中,有界深度优先搜索在某种意义上讲,具有一定的启发性。
从搜索效率看,一般来说,有界深度优先搜索较好,宽度优先搜索次之,深度优先搜索较差。
不过,如果有解,那么宽度优先搜索和深度优先搜索一定能够找到解答,不管付出多大代价;
而有界深度优先搜索那么可能丧失某些解。
启发式搜索主要讨论有序搜索(或最好优先搜索)和最优搜索A·
算法。
与盲目搜索不同的是,启发式搜索运用启发信息,引用某些准那么或经验来重新排列OPEN表中节点的顺序,使搜索沿着某个被认为最有希望的前沿区段扩展。
正确选择估价函数,对千寻求最小代价路径或解树,至关重要。
启发式搜索要比盲目搜索有效得多,因而应用较为普遍。
在求解问题时,可把问题表示为一个有待证明的问题或定理,然后用消解原理和消解反演过程来证明。
在证明时,采用推理规那么进行正向搜索,希望能够使问题(定理)最终获得证明。
另一种策略是采用反演方法来证明某个定理的否认是不成立的。
为此,首先假定该定理的否认是正确的,接着证明由公理和假定的定理之否认所组成的是不成立的,即导致矛盾的结论该定理的否认是不成立的,因而证明了该定理必定是成立的。
这种通过证明定理的否认不能成立的方法叫做反演证明。
有些问题的搜索既可使用正向搜索,又可使用逆向搜索,还可以混合从两个搜索方向进行搜索,即双向搜索。
当这两个方向的搜索边域以某种形式会合时,此搜索以成功而告终。
规那么演绎系统采用IF-THEN规那么来求解问题。
其中,IF为前项或前提,THEN为后项或结论。
按照推理方式的不同可把规那么演绎系统分为3种,即正向规那么演绎系统、逆向规那么演绎系统和双向规那么演绎系统。
正向规那么演绎系统是从事实到目标进行操作的,即从状况条件到动作进行推理的,也就是从IF到THEN的方向进行推理的。
称这种推理规那么为正向推理规那么或F规那么。
把F规那么应用于与或图结构,使与或图结构发生变化,直至求得目标为止。
这时,所得与或图包含有终止目标节点,求解过程从求得目标解图而成功地结束,而且目标节点与目标子句等价。
逆向规那么演绎系统是从THEN向IF进行推理的,即从目标或动作向事实或状况条件进行推理的。
称这种推理规那么为逆向推理规那么或B规那么。
把B规那么应用千与或图结构,使之发生变化,直至求得某个含有终止在事实节点上的一致解图而成功地终止。
逆向规那么演绎系统能够处理任何形式的目标表达式,因而得到较为普遍的应用。
正向规那么演绎系统和逆向规那么演绎系统都具有局限性。
前者能够处理任意形式的事实表达式,但只适用于由文字的析取组成的目标表达式。
后者能够处理任意形式的目标表达式,但只适用于由文字的合取组成的事实表达式。
双向规那么演绎系统组合了正向和逆向两种规那么演绎系统的优点,克服了各自的缺点,具有更高的搜索求解效率。
双向组合系统是建立在正向和反向两系统相结合的根底上的,其综合数据库是由表示目标和表示事实的两个与或图组成的。
分别使用F规那么和B规那么来扩展和修正与或图结构。
当两个与或图结构之间在某个适当交接处出现匹配时,求解成功,系统即停止搜索。
与规那么演绎系统有密切关系的是产生式系统,它由总数据库、产生式规那么和控制策略3局部组成的。
产生式系统的推理也分为正向推理、逆向推理和双向推理3种形式。
本章还讨论了非单调推理。
非单调推理能够处理那些不适合用谓词逻辑表示的知识,能够较好地处理不完全信息、不断变化的情况以及求解复杂问题过程中生成的假设,具有较为有效的求解效率。
缺省推理和正确性维持系统TMS是非单调推理的两种主要技术。
第四章非经典推理确定性推理方法在许多情况下,往往无法解决面临的现实问题,因而需要应用不确定性推理等高级知识推理方法,包括非单调推理、时序推理和不确定性推理等。
它们属于非经典推理。
从4.2节起阐述不确定性推理。
在对不确定性表示和推理进行一般表达之后,用4节分别介绍了概率推理(4.3节)、主观贝叶斯方法(4.4节)、可信度方法(4.5节)和证据理论(4.6节)。
不确定性推理是一种建立在非经典逻辑根底上的基于不确定性知识的推理,它从不确定性的初始证据出发,通过应用不确定性知识,推出具有一定程度的不确定性或近乎合理的结论。
顾名思义,概率推理就是应用概率论的根本性质和计算方法进行推理的,它具有较强的理论根底和较好的数字描述。
概率推理主要采用贝叶斯公式进行计算。
对千许多实际问题,直接应用贝叶斯公式计算各种相关概率很难实现。
在贝叶斯公式根底上,提出了主观贝叶斯方法,建立了不精确推理模型。
应用主观贝叶斯方法可以表示知识的不确定性和证据的不确定性,并通过CP公式用初始证据进行推理,通过EH公式用推理的中间结论为证据进行推理,求得概率的函数解析式。
主观贝叶斯方法已在一些专家系统(如PROSPECTOR)中得到成功应用。
可信度方法是在确定性理论的根底上结合概率论等提出的一种不精确推理模型。
在用可信度方法表示不确定时,引入可信度因子、信任增长度和不信任增长度等概念。
有好几种可信度方法的推理算法,如组合证据的不确定算法、不确定性的传递算法和多个证据推出同一假设的合成算法等。
4.5节详细讨论了这些算法,并举例加以证明。
4.6节讨论另一种不确定性推理方法——证据理论,又称为D-S理论。
该理论用表示问题。
在证据理论中,可充分利用概率分配函数、信任函数和似然函数等描述和处理知识的不确定性。
4,6节首先对上述各函数进行定义,研究了它们的性质,举例说明了各函数值的定义,证明了信任函数与似然函数的关系,并计算了概率分配函数的正交和等。
接着,给出了一个特殊的概率分配函数,并以该函数为根底建立一个具体的不确定性推理模型。
最后,举例说明了证据理论的推理过程,计算出结论确实定性。
除了本章介绍与讨论的这些不确定性推理方法外,还有可能性理论和模糊推理等方法。
限于篇幅,有些方法不予介绍,而另一些方法(如模糊推理等)将在本书的后续章节中进行表达。
第五章计算智能计算智能的含义是什么,它涉及哪些研究分支贝兹德克认为计算智能取决于制造者提供的数值数据,而不依赖于知识。
计算智能是智力的低层认知。
主要的研究领域为神经计算,模糊计算,进化计算,人工生命。
试述计算智能CI人工智能AI和生物智能BI的关系计算智能是智力的低层认知,主要取决于数值数据而不依赖于知识。
人工智能是在计算智能的根底上引入知识而产生的智力中层认知。
生物智能,尤其是人类智能,那么是最高层的智能。
即CI包含AI包含BI人工神经网络开展前景,应用领域人工神经网络具有如下至关重要的特性:
(1)并行分布处理,适于实时和动态处理;
(2)非线性映射,给处理非线性问题带来新的希望;
(3)通过训练进行学习,一个经过适当训练的神经网络具有归纳全部数据的能力,能够解决那些由数学模型或描述规那么难以处理的问题;
(4)适应与集成,神经网络的强适应和信息触合能力使得它可以同时输入大显不同的控制,实现信息悚成和融合,适于复杂,大规模和多变显系统;
(5)硬件实现,一些超大规模栠成是电路实现硬件已经问世,使得神经网络成为具有快速和大规模处理能力的限络。
生物神经元生物神经元大多数神经元由一个细胞体(llbody或so)和突(pross)两局部组成。
突分两类,即轴突(axon)和树突(dendrite),轴突是个突出局部,长度可达lm,把本神经元的输出发送至其它相连接的神经元。
树突也是突出局部,但一般较短,且分枝很多,与其它神经元的轴突相连,以接收其它神经元的生物。
轴突的未端与树突进行传递的界面称为突触(synpase),通过突触向其它神经元发送信息。
对某些突触的促使神经元触发(fire)。
只有神经元所有愉入的总效应到达闾值电平,它才能开始工作。
此时,神经元就产生一个全强度的输出窄脉冲,从细胞体经轴突进入轴突分枝。
这时的神经元就称为被触发。
突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋或抑制。
学习就发生在突触附近。
每个人脑大约含有10^11-10^12个神经元,每一神经元又约有10^3-10^4个突触。
神经元通过突触形成的网络,传递神经元间的兴奋与抑制。
大脑的全部神经元构成极其复杂的拓扑网络群体,用于实现记忆与思维。
人工神经网络的结构人工神经网络的结构;
人工神经网络由神经元模型构成。
每个神经元具有单一输出,并且能够与其它神经元连接,存在许多输出连接方法,每种连接方法对应于一个连接权系数。
人工神经网络的结构分为2类:
递归(反响)网络,有些神经元的轴出被反响至同层或前层神经元。
能够从正向和反向流通。
Hopfield网络,Elmn网络和Jord络是代表。
前馈网络,具有递阶分层结构,由一些同层神经元间不存在互连的层级组成。
从输入层至输出层的通过单向连接流通,神经元从一层连接至下一层,不存在同层神经元之间的连接。
多层感知器(MLP),学习矢量量化网络(LVQ),小脑模型连接控制网络(CMAC)和数据处理方法网络(GMDH)是代表。
人工神经网络主要学习算法人工神经限络的主要学习镜法:
指导式(有师)学习,根据期望和实际的网络偷出之间的差来调整神经元连接的强度或权。
包括Delta规那么,广义Delta规那么,反向传播算法及LVQ算法。
非指导(无导师)学习,训练过程中,神经网络能自动地适应连接权,以便按相似特征把输入模式分组聚媒。
包括Kohonen算法,Carpenter-Groserg自适应谐振理论(ART)。
强化学习,是有师学习的一种特例。
它不需要老师给出目标输出,而是由一个“评论员”来评介与给定输入相对应的神经网络输出的优度。
例如遗传绰法(GA)神经网络的知识表示传统人工智能系统中所用的方法是知识的显式表示,而神经网络中的知识表示是一种隐式的表示方法。
在有些神经网络系统中,知识是用神经网络所对应的有向权图的邻接矩阵以及阙值向蜇表示的。
神经网络的表示还有很多种方法,这里仅仅以邻接矩阵为例。
对千网络的不同表示,其相应的运算处理方法也随之改变。
近年来,很多学者将神经网络的权值和结构统一编码表示成一维向量,结合进化算法对其进行处理,取得很好的效果。
神经网络知识推理基于神经网络的知识推理实质上是在一个已经训练成熟的网络根底上对样本进行反响或者判断。
神经网络的训练是一个网络对训练样本内在规律的学习过程,而对网络进行训练的目的主要是为了让网络模型对训练样本以外的数据具有正确的映射能力。
通常定义神经网络的泛化能力,也称能力,是指神经网络在训练完成之后输入其训练样本以外的新数据时获得正确输出的能力。
泛化特性在人工神经网络的应用过程中表现出来,但由网络的设计和建模过程所决定。
从本质上来说,不管是内插泛化还是外推泛化,泛化特性的好坏取决于人工神经网络是否从训练样本中找到内部的真正规律。
影响泛化能力的因素主要有:
心训练样本的质量和数量;
@网络结构;
@问题本身的复杂程度。
神经网络的训练次数也称为神经网络的学习时间。
由试验结果可以看出,在一定范陨内,训练次数的增加可以提高神经网络的泛化能力。
然而.在神经网络的训练过程中经常出现一种过拟合现象,误差逐渐减小并到达某个定值以后,往往会出现网络对训练样本以外的测试样本的误差反而开始增加的情况。
对网络的训练,并不是使训练误差越小越好,而是要从实际出发,提高对训练样本以外数据的映射能力,即泛化性能。
基于神经网络的推理是通过网络计算实现的。
把用户提供的初始证据用作网络的输入,通过网络计算最终得到输出结果。
由上例可看出网络推理的大致过程。
一