人工智能概论

人工智能概论

姓名：学号：专业：老师：时间：

张礼均 200906040119

机械工程及自动化 朱江

2013年1月1

人工智能的原理及应用

1 早期的人工智能

20 世纪50~ 60 年代, 许多研究者试图从模仿人脑的结构或功能建立一个模拟人脑的智能机器。心理学家MCcolloch和数理逻辑学家Plits 于1943 年提出了第一个简化的神经元M- P 模型。PERCEPT ION 是一个早期的神经网络系统, 能进行简单的模式识别。当时的神经网络的实现技术还处于电子分立元件的时代, 结构过于简单, 与包含10 亿个神经细胞的人脑相差太远, 这个系统后来被证明是失败的。20 世纪60 年代中后期, 由于计算机技术的飞速发展,功能主义的人工智能方法兴盛起来。人们认为只要编制出聪明的软件, 就可以使计算机系统表现出应有的智能。人们设想假设以计算机的工作速度、运算精度、记忆容量、记忆准确度等能力, 再加上一个无所不包的程序库, 计算机将无所不能, 在不远的将来, 计算机将在总体上超过人类。由于无法建立万能的知识库, 这种想法是很不现实的, 也是很难甚至是不可能实现的。

2 专家系统 2. 1 专家系统

专家系统是以知识为基础的智能推理系统, 与通用问题求解系统不同, 专家系统强调在某一专业领域中积累大量的知识, 包括实现范例以及该领域专家们所具有的经验和规律。当然这些规律并不要求是很严谨, 但它们是有启发性的。这些知识构成数据库, 系统在知识

库的基础上发展其专门领域的知识, 使系统达到模拟专家的程度。简单说( 知识库) + ( 推理机) = 专家系统专家系统大致分为三个组成部分: 知识库、推理机和人机界面, 具体结构主要有知识库、数据库、推理机、解释器、知识获取( 学习系统) 和人机界面组成, 其中知识库和推理机是核心部分。专家系统的结构如图1 所示。专家系统通过提取知识库中的知识, 由推理机进行一系列的推理, 得出结论, 指导工作。专家系统具有以下特点:( 1) 它所解决的问题是复杂而专门的问题, 这些问题很难用精确的数学语言描述, 也没有确定的算法去解决; ( 2) 专家系统不同于传统的数据处理算法而是突出知识的价值, 推广和应用专家知识; ( 3) 它采用人工智能原理和技术, 如符号表示、符号推理和启发搜索等。

2. 2 专家系统的发展及局限性

1969 年, 由美国斯坦福大学的Feigenbaum 等人完成了用于确定有机化学分子结构式的DENDRAL 专家系统。该系统在从分子式及其质谱数据判断分子结构的能力方面达到了专家的水平, 被广泛应用于各大学和企业的化学实验室里。随后, 专家系统广泛用于医疗、化学、设计、地质勘探等领域。专家系统擅长解决的是难以建立数学模型而又依赖专家经验知识的问题, 并在信息不完整或含有轻度噪声的情况下仍能给出一个合理的结论。它适合解决如故障诊断、报警处理、系统恢复、负荷预测、检修计划安排、无功电压控制、规划设计等问题。虽然专家系统能成功地解决某些专门领域的问题, 也有很多优点, 但经过多年的实践表明, 一般专家系统存在以下弱点。

a) 知识获取难。

知识获取的主要途径是机器学习、机器感知和人工移植。目前, 前两种知识获取途径的能力还很低, 大部分专家系统的知识获取还需要人工移植, 即知识工程师通过和专家交谈获取专家的经验知识。对于一些很难用语言描述的经验和知识、多个领域专家之间互相矛盾的知识, 知识工程师往往会束手无策。

b) 处理复杂问题的时间长。

对于一个复杂的系统, 计算机要花费较长的时间一个一个地处理程序代码, 这个缺陷限制了计算机执行高速运算的性能, 也使专家系统难以适应实时系统的要求。

c) 容错能力差。

计算机采用局部存储方式, 不同的数据和知识存储时互不相关, 只有通过人编写的程序才能沟通, 程序中微小的错误都会引起严重的后果, 系统表现出极大的脆弱性。

d) 基础理论还不完善。

专家系统的本质特征是基于规则的逻辑推理思维, 然而迄今的逻辑理论仍然很不完善, 现有逻辑理论的表达能力和处理能力有很大的局限性。

3 人工神经网络 3. 1 人工神经网络

人工神经网络( Artificial Neur al Netw ork) 是由大量处理单元- 神经元互连而成的网络。网络的信息处理由神经元之间的相互作用来

实现; 知识与信息的存贮表现为网络元件互连间分布式的物理联系。人工神经网络具有自学习能力, 它可以从已有的实验数据中自动总结规律, 而不依赖于专家的头脑。人工神经网络擅长于处理复杂的多维的非线性问题, 既可以解决定性问题, 又可用于解决定量的问题。人工神经网络具有大规模的并行处理和分布的信息存储能力, 良好的自适应性, 自组织性及很强的学习、联想、容错及较好的可靠性[ 6] 。但是, 由于神经网络是运用归纳的方法, 在原始数据上通过学习算法建立内部知识库, 各单个神经元不存储信息网络的知识是编码在整个网络连接权的模式中, 知识表达不明确。此外, 虽然神经网络一旦学习完成就能迅速地求解,具有良好的并行性, 但是知识的积累是以网络的重新学习为代价, 时间开销较大。

3. 2 人工神经网络的发展

人工神经网络的研究始于上世纪40 年代。它经历了由兴起到萧条又由萧条到兴盛的发展道路。在M- P 模型之后, 50 年代末, F. Rosenblatt 提出了重要的感知机模型, 这是一个完整的人工神经网络,初步具备了诸如并行处理、分布存储和学习等神经网络的一些基本特征。1960 年B.Windrow 和M. E. Hoff 提出了自适应线性单元网络, 可用于自适应滤波器、预测和模型识型。从50 年代到60 年代初,神经网络的研究工作形成了一个高潮。1969 年M. Minsky和S. Papert 指出, 单层的感知机只能用于线性问题的求解,而对于像XOP( 异或) 这样简单的非线性问题却无法求解。由于Minsky 的悲观结论, 加上当时以逻辑推理为基础的人工智能和数字计算机取得了辉煌的成就,

本文来源：https://www.bwwdw.com/article/bqot.html