人工智能及其應(yīng)用知識點

人工智能及其應(yīng)用知識點整理第一章緒論人工智能的定義人類的自然智能（人類智能）伴隨著人類活動時時處處存在。人類的許多活動，如下棋、競技、解算題、猜謎語、進行討論、編制計劃和編寫計算機程序，甚至駕駛汽車和騎自行車等，都需要“智能”。如果機器能夠執(zhí)行這種任務(wù)，就可以認為機器已具有某種性質(zhì)的“人工智能”不同科學或?qū)W科背景的學者對人工智能有不同的理解，提出不同的觀點，人們稱這些觀點為符號主義，連接主義和行為主義等，或者叫做邏輯學派，仿生學派，和生理學派。哲學智能，人的智能是人類理解和學習事物的能力，或者說，智能是思考和理解的能力而不是本能做事的能力。另一種定義為：智能是一種應(yīng)用知識處理環(huán)境的能力或由目標準則衡量的抽象思考能力。智能機器，智能機器是一種能夠呈現(xiàn)出人類智能行為的機器，而這種智能行為是人類用大腦考慮問題或創(chuàng)造思想。另一種定義為：智能機器是一種能夠在不確定環(huán)境中執(zhí)行各種擬人任務(wù)達到預期目標的機器。人工智能（學科），長期以來，人工智能研究者們認為：人工智能（學科）是計算機科學中涉及研究、設(shè)計和應(yīng)用智能機器的一個分支，它的近期主要目標在于研究用機搖來模仿和執(zhí)行人腦的某些智力功能，并開發(fā)相關(guān)理論和技術(shù)。近年來，許多人工智能和智能系統(tǒng)研究者認為：人工智能（學科）是智能科學中涉及研究、設(shè)計及應(yīng)用智能機器和智能系統(tǒng)的一個分支，而智能科學是一門與計算機科學并行的學科。人工智能實踐將做出權(quán)威的回答。人工智能（能力），是智能機器所執(zhí)行的通常與人類智能有關(guān)的智能行為，這些智能行為涉及什么是人工智能，試從學科和能力兩方面加以說明從學科角度來看：人工智能是計算機科學中涉及研究、設(shè)計和應(yīng)用智能機器的一個分支。它的近期主要目標在于研究用機器來模仿和執(zhí)行人腦的某些智能功能，并開發(fā)相關(guān)理論和技術(shù)。從能力角度來看：人工智能是智能機器所執(zhí)行的通常與人類智能有關(guān)的功能，如判斷、推理、證明、識別、感知、理解、設(shè)計、思考、規(guī)劃、學習和問題求解等思維活動在人工智能的發(fā)展過程中，有哪些思想和思潮起了項要作用控制論之父維納1940主張計算機五原則。他開始考慮計算機如何能像大腦一樣工作。系統(tǒng)地創(chuàng)建了控制論，根據(jù)這一理論，一個機楨系統(tǒng)完全能進行運算和記憶。著名的英國科學家圖靈被稱為人工智能之父，圖靈不僅創(chuàng)造了一個簡單的通用的非數(shù)字計算模型，而且直接證明了計算機可能以某種被理解為智能的方法工作。提出了著名的圖靈測試。數(shù)理邏輯從19世紀末起就獲迅速發(fā)展；到20世紀30年代開始用于描述智能行為。計算機出現(xiàn)后，又在計算機上實現(xiàn)了邏輯演繹系統(tǒng)。為什么能夠用機器（計算機）模仿人的智能物理符號系統(tǒng)的假設(shè)：任何一個系統(tǒng)，如果它能夠表現(xiàn)出智能，那么它就必定能執(zhí)行輸入符號、輸出符號、存儲符號、復制符號、建立符號結(jié)構(gòu)、條66（的智能）。物理符號系統(tǒng)的假設(shè)伴隨有3個推論。推論一既然人具有智能，那么他（她）就一定是個物理符號系統(tǒng)。推論二既然計算機是一個物理符號系統(tǒng)，它就一定能夠表現(xiàn)出智能。推論三既然人是一個物理符號系統(tǒng)，計算機也是一個物理符號系統(tǒng)，那么我們就能夠用計算機來模擬人的活動。聯(lián)結(jié)主義(Connectionism)，又稱為仿生學派(Bionicsism)或生理學派(Physiologism)［其原理主要為神經(jīng)網(wǎng)絡(luò)及神經(jīng)憫絡(luò)間的連接機制與學習算法］認為人的思維基元是神經(jīng)元，而不是符號處理過程。認為人腦不同于電腦，并提出聯(lián)結(jié)主義的大腦工作模式，用千取代符號操作的電腦工作模式。行為主義(Actionism)，又稱進化主義(Eovlutionism)或控制論學派(Cyberneticsism)［其原理為控制論及感知動作型控制系統(tǒng)］不需蘿推理；人工智能可以象人類智能一樣逐步進化。智能行為只能在現(xiàn)實世界中與周圍環(huán)境交互作用而表現(xiàn)出來。符號主義、聯(lián)結(jié)主義對真實世界客觀事物的描述及其智能行為工作模式是過于簡化的抽象，因而是不能真實地反映客觀存在的。人工智能的研究目標在前面從學科和能力定義人工智能時，我們曾指出：人工智能的近期研究目標在千“研究用機器來模仿和執(zhí)行人腦的某些智力功能，并開發(fā)相關(guān)理論和技術(shù)?！倍疫@些智力功能“涉及學習、感知、思考、理解、識別、判斷、推理、證明、通信、設(shè)計、規(guī)劃、行動和問題求解等活動”。人工智能的一般研究目標為：(1)更好地理解人類智能，通過編寫程序來模仿和檢驗有關(guān)人類智能的理論。(2)創(chuàng)造有用的靈巧程序，該程序能夠執(zhí)行一般需要人類專家才能實現(xiàn)的任務(wù)。一般地，人工智能的研究目標又可分為近期研究目標和遠期研究目標兩種。人工智能的近期研究目標是建造智能計算機以代替人類的某些智力活動。人工智能的遠期目標是用自動機模仿人類的思維活動和智力功能。人工智能研究的基本內(nèi)容人工智能學科有著十分廣泛和極其豐富的研究內(nèi)容。不同的人工智能研究者從不同的角度對人工智能的研究內(nèi)容進行分類。例如，基于腦功能模擬、基于不同認知觀、基于應(yīng)用領(lǐng)域和應(yīng)用系統(tǒng)、基于系統(tǒng)結(jié)構(gòu)和支撐環(huán)境等。因此，要對人工智能研究內(nèi)容進行全面和系統(tǒng)的介紹也是比較困難的，而且可能也是沒有必要的。人工智能研究的基本內(nèi)容包括：認知建模，知識表示，知識推理，知識應(yīng)用，機器感知，機器思維，機器學習，機器學習，智能系統(tǒng)構(gòu)建。人工智能研究方法由于研究者的專業(yè)和研究領(lǐng)域的不同以及他們對智能本質(zhì)的理解有異，因而形成了不同的人工智能學派，各自采用不同的研究方法。與符號主義、連接主義和行為主義相應(yīng)的人工智能研究方法為功能模擬法、結(jié)構(gòu)模擬法和行為模擬法。人工智能計算方法基于符號邏輯的人工智能學派強詢基于知識的表示與推理，而不強調(diào)計算，但并非沒有任何計算。圖搜索、謂詞演箕和規(guī)則運算都屬于廣義上的計算。顯然，這些計算是與傳統(tǒng)的采用數(shù)理方程、狀態(tài)方程、差分方程、傳遞函數(shù)、脈沖傳遞函數(shù)和矩陣方程等數(shù)值分析計算有T計算、免疫計算和粒子群計算等，它們是以算法為基礎(chǔ)的，也與數(shù)值分析計算方法有所不同。從哪些層次對認知行為進行研究心理活動的最高層級是思維策略，中間一層是初級信息處理，最低層級是生理過程，與此相應(yīng)的是計綁機程序、語言和硬件。研究認知過程的主要任務(wù)是探求高層次思維決策與初級信息處理的關(guān)系，并用計算機程序來模擬人的思維策略水平，而用計算機語言模擬人的初級信息處理過程。人工智能的主耍研究和應(yīng)用領(lǐng)域是什么,其中哪些是新的研究熱點問題求解（下棋程序），邏輯推理與定理證明（四色定理證明），自然語言理解，自動程序設(shè)計，專家系統(tǒng)，機器學習，神經(jīng)網(wǎng)絡(luò)，機器人學（星際探索機器人），模式識別（手寫識別，汽車牌照識別，指紋識別），機器視覺（機器裝配，衛(wèi)星圖像處理），智能控制，智能檢索，智能調(diào)度與指揮（汽車運輸高度，列車編組指揮），系統(tǒng)與語言工具。新的研究熱點：分布式人工智能與Agent,計綁智能與進化計算，數(shù)據(jù)挖掘與知識發(fā)現(xiàn)（超市市場商品數(shù)據(jù)分析），人工生命。第二章知識表示方法本章所討論的知識表示問題是人工智能研究的核心問題之一。對知識表示新方法和混合表示方法的研究仍然是許多人工智能專家學者感興趣的研究方向。適當選擇和正確使用知識表示方法將極大地提高人工智能問題求解效率。人們總是希望能夠使用行之有效的知識表示方法解決面臨的問題。7過程式表示等。狀態(tài)空間法是一種基千解答空間的問題表示和求解的方法，它是以狀態(tài)和操作符為基礎(chǔ)的。在利用狀態(tài)空間圖表示時，從某個初始狀態(tài)開始，每次加一個操作符，遞增地建立起操作符的試驗序列，直到達到目標狀態(tài)為止。由于狀態(tài)空間法需要擴展過多的節(jié)點，容易出現(xiàn)”組合爆炸“，因而只適用于表示比較簡單的問題。問題歸約法從目標（要解決的問題）出發(fā)，逆向推理，通過一系列變換把初始問題變換為子問題集合和子子問題集合，直至最后歸約為一個平凡的本原問題集合。這些本原問題的解可以直接得與節(jié)點和或節(jié)點，而在狀態(tài)空間法中只含有或節(jié)點。謂詞邏輯法采用謂詞合式公式和一階謂詞演算把要解決的問題變?yōu)橐粋€有待證明的問題，然后法混合使用，靈活方便，可以表示比較復雜的問題。語義網(wǎng)絡(luò)是一種結(jié)構(gòu)化表示方法，它由節(jié)點和弧線或鏈線組成。節(jié)點用于表示物體、概念和狀態(tài)，弧線用千表示節(jié)點間的關(guān)系。語義網(wǎng)絡(luò)的解答是一個經(jīng)過推理和匹配而得到的具有明確結(jié)果的新的語義網(wǎng)絡(luò)。語義網(wǎng)絡(luò)可用于表示多元關(guān)系，擴展后可以表示更復雜的問題。而每個側(cè)面又可擁有若干個值。大多數(shù)實用系統(tǒng)必須同時使用許多框架，并可把它們聯(lián)成一個框架系統(tǒng)。框架表示已獲廣泛應(yīng)用，然而并非所有問題都可以用框架表示。本章在論述了本體的基本概念后，討論了本體的組成、分類與建模。本體是一種比框架更有效的表示方法。過程是一種知識的過程式表示，它將某一有關(guān)問題領(lǐng)域知識同這些使用方法一起，隱式地表示為一個問題求解過程。過程表示用程序來描述問題，具有很高的問題求解效率。由千知識隱含在程序中難以操作，所以適用范圍較窄。對于同一間題可以有許多不同的表示方法。不過對于特定間題，有的表示方法比較有效，其他表示方法可能不大適用，或者不是好的表示方法。在表示和求解比較復雜的問題時，采用單一的知識表示方法是遠遠不夠的，往往必須采用多種方法混合表示。例如，綜合采用框架、本體、語義網(wǎng)絡(luò)、謂詞邏輯的過程表示方法（兩種以上），可使所研究的問題獲得更有效的解決。此外，在選擇知識表示方法時，還要考慮所使用的程序設(shè)計語言所提供的功能和特點，以便能夠更好地描述這些表示方法。第三章確定性推理本章所討論的知識的搜索與推理是人工智能研究的另一核心問題。對這一問問題。在應(yīng)用盲目搜索進行求解的過程中，一般是＂盲目“地窮舉，即不運用特別信息。盲目搜索包代價；而有界深度優(yōu)先搜索則可能丟失某些解。啟發(fā)式搜索主要討論有序搜索（或最好優(yōu)先搜索）和最優(yōu)搜索A·啟發(fā)式搜索運用啟發(fā)信息，引用某些準則或經(jīng)驗來重新排列OPEN在求解問題時，可把問題表示為一個有待證明的問題或定理，然后用消解原理和消解反演過程來證明。在證明時，采用推理規(guī)則進行正向搜索，希望能夠使問題（定理）最終獲得證明。另一種策略是采用反演方法來證明某個定理的否定是不成立的。為此，首先假定該定理的否定是正確的，接著證明由公理和假定的定理之否定所組成的集合是不成立的，即導致矛盾的結(jié)論該定理的否定是不成立的，因而證明了該定理必定是成立的。這種通過證明定理的否定不能成立的方法叫做反演證明。有些問題的搜索既可使用正向搜索，又可使用逆向搜索，還可以混合從兩個搜索方向進行搜索，即雙向搜索。當這兩個方向的搜索邊域以某種形式會合時，此搜索以成功而告終。IF-THENIFTHEN3IF到THENFF逆向規(guī)則演繹系統(tǒng)是從THEN向IF進行推理的，即從目標或動作向事實或狀況條件進行推理的。稱這種推理規(guī)則為逆向推理規(guī)則或B規(guī)則。把B規(guī)則應(yīng)用千與或圖結(jié)構(gòu)，使之發(fā)生變化，直至求得某個含有終止在事實節(jié)點上的一致解圖而成功地終止。逆向規(guī)則演繹系統(tǒng)能夠處理任何形式的目標表達式，因而得到較為普遍的應(yīng)用。正向規(guī)則演繹系統(tǒng)和逆向規(guī)則演繹系統(tǒng)都具有局限性。前者能夠處理任意形式的事實表達式，但只適用于由文字的析取組成的目標表達式。后者能夠處理任意形式的目標表達式，但只適用于由文字的合取組成的事實表達式。雙向規(guī)則演繹系統(tǒng)組合了正向和逆向兩種規(guī)則演繹系統(tǒng)的優(yōu)點，克服了各自的缺點，具有更高的搜索求解效率。雙向組合系統(tǒng)是建立在正向和反向兩系統(tǒng)相結(jié)合的基礎(chǔ)上的，其綜合數(shù)據(jù)庫是由表示目標和表示事實的兩個與或圖組成的。分別使用F規(guī)則和B規(guī)則來擴展和修正與或圖結(jié)構(gòu)。當兩個與或圖結(jié)構(gòu)之間在某個適當交接處出現(xiàn)匹配時，求解成功，系統(tǒng)即停止搜索。與規(guī)則演繹系統(tǒng)有密切關(guān)系的是產(chǎn)生式系統(tǒng)，它由總數(shù)據(jù)庫、產(chǎn)生式規(guī)則和控制策略3部分組成的。產(chǎn)生式系統(tǒng)的推理也分為正向推理、逆向推理和雙向推理3種形式。本章還討論了非單調(diào)推理。非單調(diào)推理能夠處理那些不適合用謂詞邏輯表示的知識，能夠較好地處理不完全信息、不斷變化的情況以及求解復雜問題過程中生成的假設(shè)，具有較為有效的求解效率。缺省推理和正確性維持系統(tǒng)TMS是非單調(diào)推理的兩種主要技術(shù)。第四章非經(jīng)典推理確定性推理方法在許多情況下，往往無法解決面臨的現(xiàn)實問題，因而需要應(yīng)用不確定性推理等高級知識推理方法，包括非單調(diào)推理、時序推理和不確定性推理等。它們屬于非經(jīng)典推理。4.24了概率推理(4.3）、主觀貝葉斯方法(4.4）、可信度方法(4.5）和證據(jù)理論(4.6）。不確定性推理是一種建立在非經(jīng)典邏輯基礎(chǔ)上的基于不確定性知識的推理，它從不確定性的初始證據(jù)出發(fā)，通過應(yīng)用不確定性知識，推出具有一定程度的不確定性或近乎合理的結(jié)論。顧名思義，概率推理就是應(yīng)用概率論的基本性質(zhì)和計算方法進行推理的，它具有較強的理論基礎(chǔ)和較好的數(shù)字描述。概率推理主要采用貝葉斯公式進行計算。對千許多實際問題，直接應(yīng)用貝葉斯公式計算各種相關(guān)概率很難實現(xiàn)。在貝葉斯公式基礎(chǔ)上，提出了主觀貝葉斯方法，建立了不精確推理模型。應(yīng)用主觀貝葉斯方法可以表示知識的不確定性和CPEH推理，求得概率的函數(shù)解析式。主觀貝葉斯方法已在一些專家系統(tǒng)（如PROSPECTOR)中得到成功應(yīng)用?？尚哦确椒ㄊ窃诖_定性理論的基礎(chǔ)上結(jié)合概率論等提出的一種不精確推理模型。在用可信度方法表示不確定時，引入可信度因子、信任增長度和不信任增長度等概念。有好幾種可信度方法的推理算法，如組合證據(jù)的不確定算法、不確定性的傳遞算法和多個獨立證據(jù)推出同一假設(shè)的合成算法等。4.5節(jié)詳細討論了這些算法，并舉例加以證明。4.6D-S在證據(jù)理論中，可充分利用概率分配函數(shù)、信任函數(shù)和似然函數(shù)等描述和處理知識的不確定性。4,6節(jié)首先對上述各函數(shù)進行定義，研究了它們的性質(zhì)，舉例說明了各函數(shù)值的定義，證明了信任函數(shù)與似然函數(shù)的關(guān)系，并計算了概率分配函數(shù)的正交和等。接著，給出了一個特殊的概率分配函數(shù)，并以該函數(shù)為基礎(chǔ)建立一個具體的不確定性推理模型。最后，舉例說明了證據(jù)理論的推理過程，計算出結(jié)論的確定性。除了本章介紹與討論的這些不確定性推理方法外，還有可能性理論和模糊推理等方法。限于篇幅，有些方法不予介紹，而另一些方法（如模糊推理等）將在本書的后續(xù)章節(jié)中進行敘述。第五章計算智能計算智能的含義是什么，它涉及哪些研究分支貝茲德克認為計算智能取決于制模糊計算，進化計算，人工生命。CIAIBICIAIBI人工神經(jīng)網(wǎng)絡(luò)具有如下至關(guān)重要的特性：(1)并行分布處理，適于實時和動態(tài)處理；非線性映射，給處理非線性問題帶來新的希望；學模型或描述規(guī)則難以處理的問題；信息悚成和融合，適于復雜，大規(guī)模和多變顯系統(tǒng)；理能力的限絡(luò)。生物神經(jīng)元生物神經(jīng)元大多數(shù)神經(jīng)元由一個細胞體(cellbody或soma)和突(process)兩部分組成。突分兩類，即軸突(axon(dendrite)，軸突是個突出部分，長度可達lm,把本神經(jīng)元的軸突相連，以接收來自其它神經(jīng)元的生物信號。軸突的未端與樹突進行信號傳遞的界面稱為突觸(synpase)，通過突觸向其它神經(jīng)元發(fā)送信息。對某些突觸的刺激促使神經(jīng)元觸發(fā)(fire)。只有神經(jīng)元所有愉入的總效應(yīng)達到閭值電平，它才能開始工作。此時，神經(jīng)元就產(chǎn)生一個全強度的輸出窄脈沖，從細胞體經(jīng)軸突進入軸突分枝。這時的神經(jīng)元就稱為被觸發(fā)。突觸把經(jīng)過一個神經(jīng)元軸突的脈沖轉(zhuǎn)化為下一個神經(jīng)元的興奮或抑制。學習就發(fā)生在突觸附近。10^11-10^1210^3-10^4用于實現(xiàn)記憶與思維。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元模型構(gòu)成。每個神經(jīng)元具有單一輸出，并且能夠與其它神經(jīng)元連接，存在許多輸出連接方法，每種連接方法對應(yīng)于一個連接權(quán)系數(shù)。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分為2類：遞歸（反饋）網(wǎng)絡(luò)，有些神經(jīng)元的軸出被反饋至同層或前層神經(jīng)元。信號能夠從正向和反向流通。Hopfield網(wǎng)絡(luò)，Elmman網(wǎng)絡(luò)和Jordan網(wǎng)絡(luò)是代表。前饋網(wǎng)絡(luò)，具有遞階分層結(jié)構(gòu)，由一些同層神經(jīng)元間不存在互連的層級組成。從輸入層至輸出層的信號通過單向連接流通，神經(jīng)元從一層連接至下一層，不存在同層神經(jīng)元之間的連接。多層感知器(MLP),學習矢量量化網(wǎng)絡(luò)(LVQ)，小腦模型連接控制網(wǎng)絡(luò)(CMAC)和數(shù)據(jù)處理方法網(wǎng)絡(luò)(GMDH)是代表。人工神經(jīng)網(wǎng)絡(luò)主要學習算法人工神經(jīng)限絡(luò)的主要學習鏡法：指導式（有師）學習，根據(jù)期望和DeltaDeltaLVQ（無導師）學習，訓練過程中，神經(jīng)網(wǎng)絡(luò)能自動地適應(yīng)連接權(quán)，以便按相似特征把輸入模式分組聚媒。包括Kohonen算法，Carpenter-Grossberg自適應(yīng)諧振理論(ART強化學習，是有師學習的一種特例。它不需要老師給出目標輸出，而是由一個“評論員”來評介與給定輸入相對應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出的優(yōu)度。例如遺傳綽法(GA)神經(jīng)網(wǎng)絡(luò)的知識表示傳統(tǒng)人工智能系統(tǒng)中所用的方法是知識的顯式表示，而神經(jīng)網(wǎng)絡(luò)中的知識表示是一種隱式的表示方法。在有些神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，知識是用神經(jīng)網(wǎng)絡(luò)所對應(yīng)的有向權(quán)圖的鄰接矩陣以及闕值向蜇表示的。神經(jīng)網(wǎng)絡(luò)的表示還有很多種方法，這里僅僅以鄰接矩陣為例。對千網(wǎng)絡(luò)的不同表示，其相應(yīng)的運算處理方法也隨之改變。近年來，很多學者將神經(jīng)網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)統(tǒng)一編碼表示成一維向量，結(jié)合進化算法對其進行處理，取得很好的效果。神經(jīng)網(wǎng)絡(luò)知識推理基于神經(jīng)網(wǎng)絡(luò)的知識推理實質(zhì)上是在一個已經(jīng)訓練成熟的網(wǎng)絡(luò)基礎(chǔ)上對未知樣本進行反應(yīng)或者判斷。神經(jīng)網(wǎng)絡(luò)的訓練是一個網(wǎng)絡(luò)對訓練樣本內(nèi)在規(guī)律的學習過程，而對網(wǎng)絡(luò)進行訓練的目的主要是為了讓網(wǎng)絡(luò)模型對訓練樣本以外的數(shù)據(jù)具有正確的映射能力。通常定義神經(jīng)網(wǎng)絡(luò)的泛化能力，也稱推廣能力，是指神經(jīng)網(wǎng)絡(luò)在訓練完成之后輸入其訓練樣本以外的新數(shù)據(jù)時獲得正確輸出的能力。泛化特性在人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程中表現(xiàn)出來，但由網(wǎng)絡(luò)的設(shè)計和建模過程所決定。從本質(zhì)上來說，不管是內(nèi)插泛化還是外推泛化，泛化特性的好壞取決于人工神經(jīng)網(wǎng)絡(luò)是否從訓練樣本中找到內(nèi)部的真正規(guī)律。影響泛化能力的因素主要有：心訓練樣本的質(zhì)量和數(shù)量；＠網(wǎng)絡(luò)結(jié)構(gòu)；＠問題本身的復雜程度。神經(jīng)網(wǎng)絡(luò)的訓練次數(shù)也稱為神經(jīng)網(wǎng)絡(luò)的學習時間。由試驗結(jié)果可以看出，在一定范隕內(nèi)，訓練次數(shù)的增加可以提高神經(jīng)網(wǎng)絡(luò)的泛化能力。然而．在神經(jīng)網(wǎng)絡(luò)的訓練過程中經(jīng)常出現(xiàn)一種過擬合現(xiàn)象，誤差逐漸減小并達到某個定值以后，往往會出現(xiàn)網(wǎng)絡(luò)對訓練樣本以外的測試樣本的誤差反而開始增加的情況。對網(wǎng)絡(luò)的訓練，并不是使訓練誤差越小越好，而是要從實際出發(fā)，提高對訓練樣本以外數(shù)據(jù)的映射能力，即泛化性能?；谏窠?jīng)網(wǎng)絡(luò)的推理是通過網(wǎng)絡(luò)計算實現(xiàn)的。把用戶提供的初始證據(jù)用作網(wǎng)絡(luò)的輸入，通過網(wǎng)絡(luò)計算最終得到輸出結(jié)果。由上例可看出網(wǎng)絡(luò)推理的大致過程。一般來說，正向網(wǎng)絡(luò)推理的步驟如下：(1)把已知數(shù)據(jù)輸入網(wǎng)絡(luò)輸入層的各個節(jié)點。(2)利用特性函數(shù)分別計算網(wǎng)絡(luò)中各層的輸出。計算中，前一層的輸出作為后一層有關(guān)節(jié)點的輸入，逐層進行計算，直至計算出輸出層的輸出值。用闕值函數(shù)對輸出層的輸出進行判定，從而得到輸出結(jié)果。模糊推理，膜糊推理方法模糊推理是建立在模糊邏輯基礎(chǔ)上的，一種不確定性推理方法，是在二值邏輯三段論基礎(chǔ)上發(fā)展起來的。它以模糊判斷為前提，動用模糊語言規(guī)則，推導出一個近似的模砌判斷結(jié)論。Zadeh2（肯定前提）假言推理法(GMP)和廣義拒式（否定結(jié)論）假言推理法(GMT推理法。模糊判決，膜糊判決方法從推理得到的模糊集合中，取一個相對最能代表這個模糊集合的單值的過程就稱為解模糊或模糊判決。常用的模糊判決方法有：重心法，最大隸屬度法，系數(shù)加權(quán)平均法，隸屬度限幅元素平均法進化計算，出發(fā)點優(yōu)化是自然界進化的核心，每個物種都在隨著自然界的進化而不斷優(yōu)化自身結(jié)構(gòu)以適應(yīng)自然的變化。模仿生物來建立功能強大的算法，進而將它們運用于復雜的優(yōu)化問題。進化計算包括遺傳算法、進化策略。進化編程和遺傳編程。所有的個體構(gòu)成了一個群體。進化算法從選定的初始群體出發(fā)，通過不斷迭代逐步改進當前群體，直至最后收斂于全局最優(yōu)解或滿意解。這種群體迭代進化的思想給優(yōu)化問題的求解提供了一種全新思路。遺傳算法基本原理，遺傳算法求解步驟遺傳算法是模仿生物遺傳學和自然選擇機理，通過人工形式。求解步驟：隨機產(chǎn)生一個由確定長度的特征字符串組成的初始種群體(2)對該字符串種群迭代地執(zhí)行下步的步驟[l]和步驟[2]，直到滿足停止準則為止：[l]計算種群中每個個體字符中的適應(yīng)值，[2]應(yīng)用復制，交叉和變異等遺傳算子產(chǎn)生下一代種群(3行結(jié)果，這個結(jié)果可以表示問題的一個解。遺傳算法，進化策略和進化編程關(guān)系：它們都是模擬生物界自然進化過程而建立的獸棒性計算機算法。區(qū)別：進化策略和進化編程把變異作為主要搜索算子，標準遺傳算法中，變異處千次要位置。交叉在遺傳法起若重要作用，而在進化編程中卻被完全省去，在進化策略中與自適應(yīng)結(jié)合使用，起了很重要的作用。標準遺傳算法和進化編程都強調(diào)隨機選擇機制的重要性，而進化策略的選擇是完全確定的。進化策略和進化編程，確定地把某個個體排除在被選擇之外，而標準遺傳算法都對每個個體指定一個非零的選擇概率。人工生命人工生命是研究能夠演示出自然生命系統(tǒng)特征行為的人造系統(tǒng)。通過計算機或其它機器對類似生命的行為進行綜合研究，以便對傳統(tǒng)生物科學起互補作用。凡是具有自然生命現(xiàn)象和特征的人造系統(tǒng)，都可稱為人工生命。為什么研究人工生命具有重大的科學意義和廣泛的應(yīng)用價值：(I)開發(fā)基于人工生命的工程技術(shù)新方法，新系統(tǒng)，新產(chǎn)品；(3)延伸人類壽命，減緩衰老，防治疾?。粩U展自然生命，實現(xiàn)人工進化和優(yōu)生優(yōu)育；促進生命和學，信息和學，系統(tǒng)科學的交叉發(fā)展人工生命研究內(nèi)容，研究方法研究內(nèi)容大致分為兩類：l代謝系統(tǒng)；2)生物體及其群體的外部系統(tǒng)，包括環(huán)境適應(yīng)系統(tǒng)和遺傳進化系統(tǒng)研究方法主要可分為兩類：l)信息模型法，根據(jù)內(nèi)部和外部系統(tǒng)所表現(xiàn)出來的生命行為來建造信息模型；2)工作原理法：生命行為所顯示的自律分散和非線性行為，其工作原理是混沌和分形，以此為基礎(chǔ)研究人工生命的機理。群智能和粒群優(yōu)化概述同類生物之間的信息共享常常提供了一種進化的優(yōu)勢；這一猜想后來成為研究各種群智能系統(tǒng)的基礎(chǔ)。可把群(swarm)定義為某種交互作用的組織或agent之結(jié)構(gòu)集合。在群智能計算研究中，群的個體組織包括螞蟻、白蟻、蜜蜂、黃蜂、魚群和鳥群等。在這些群體中，個體在結(jié)構(gòu)上是很簡單的，而它們的集體行為卻可能變得相當復雜。粒群優(yōu)化算法是一種基于群體搜索的算法，它建立在模擬鳥群社會的基礎(chǔ)上。在粒群優(yōu)化中，被稱為粒子的個體是通過超維搜索空間“流動”的。粒子在搜索空間中的位置變化是以個體成功地超過其他個體的社會心理意向為基礎(chǔ)的。因此，群中粒子的變化是受其鄰近粒子（個體）的經(jīng)驗或知識影響的。一個粒子的搜索行為受到群中其他粒子的搜索行為的影響。由此可見，粒群優(yōu)化是一種共生合作算法。建立這種社會行為模型的結(jié)果是：在搜索過程中，粒子隨機地回到搜索空間中一個原先成功的區(qū)域。蟻群算法基本原理蟻群算法是受到對真實蟻群行為研究的啟發(fā)而提出的。單個昆蟲的行為極其簡單，但由單個簡單的個體所組成的群體卻表現(xiàn)出極其復雜的行為。大批螞蟻組成的蟻群的集體行蟻群箕法源千對自然界中的螞蟻尋找蟻巢到食物以及食物回到蟻巢的最短路徑方法的研究。它是一種并行算法，所有＂螞蟻＂均獨立行動，沒有監(jiān)督機構(gòu)。它又是一種合作算法，依靠群體行為進行尋優(yōu)。它還是一種魯棒算法，只要對算法稍作修改，就可以求解其他組合優(yōu)化問題。本章總結(jié)本章開始討論計算智能問題，并把神經(jīng)計算、模糊計算、進化計算、人工生命、群優(yōu)化作為計算智能的主要研究領(lǐng)域。這些研究領(lǐng)域體現(xiàn)出生命科學與信息科學的緊密結(jié)合，也是廣義人工智能力圖研究和模仿人類和動物智能（主要是人類的思維過程和智力行為）的重要進展。把計算智能理解為智力的低層認知，它主要取決千數(shù)值數(shù)據(jù)而不依賴于知識。人工智能是在計也就是說，CIinAIinBI。借助激勵函數(shù)得到輸出。人工神經(jīng)網(wǎng)絡(luò)可分為遞歸（反饋）網(wǎng)絡(luò)和多層（前饋）網(wǎng)絡(luò)兩種基本結(jié)構(gòu)。在學習算法上，人工神經(jīng)網(wǎng)絡(luò)可采用有師（監(jiān)督式）學習和無師（自）學習兩種。有時，對強化（增強）學習單獨進行討論；實際上，可把強化學習看做有師學習的特例。人工神經(jīng)網(wǎng)絡(luò)的模型種類很多，其中以反向傳播網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)的應(yīng)用更為廣泛。人工神經(jīng)網(wǎng)絡(luò)可用來進行知識表示和推理。人工神經(jīng)網(wǎng)絡(luò)已獲得比較廣泛的應(yīng)用。本章討論了模糊集合和模糊邏輯的各種定義及其運算，研究了模糊推理。模糊推理是以模糊判斷為前提，采用模糊語言規(guī)則，推導出一個近似的模糊判斷結(jié)論。其中，以Zadeh推理方法最為成熟和普遍運用。Zadeh推理有廣義前向推理和廣義后向推理兩種方法。通過模糊推理得到一個模糊集合或隸屬函數(shù)。從該模糊集合中選取一個能最好代表該集合單值的過程叫做解模糊、去模糊或模糊判決。常用的模糊判決方法有重心法、最大隸屬度法、系數(shù)加權(quán)平均法和隸屬度限幅元素平均法等。以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的神經(jīng)計算和以模糊邏輯為基礎(chǔ)的模糊計算，都是建立在數(shù)值計算上的。它們是計算智能的重要組成部分。進化計算遵循自然界優(yōu)勝劣汰、適者生存的進化準則，模仿生物群體的進化機制，并被用于處理復雜系統(tǒng)的優(yōu)化問題。遺傳算法是模仿生物遺傳學和自然選擇機理，通過人工方式而構(gòu)造的一類搜索算法，是對生物進化過程的一種數(shù)學仿真，也是進化計算的最重要形式。本章分析了遺傳算法的原理與框架、遺傳算法的編碼與解碼、遺傳算法的遺傳算子、遺傳算法的執(zhí)行過程和執(zhí)行實例。人工生命是計算智能研究的一個最新領(lǐng)域。人們試圖采用人工方法建造具有自然生命現(xiàn)象和特征的人造系統(tǒng)。本章歸納出自然生命的共同特征以作為人工生命研究的追求目標。人工生命的研究進化動力學、計算理論與工具以及人工生命的應(yīng)用等。研究方法主要有信息模型法和工作原理法兩種，其具體研究途徑則有工程技術(shù)和生物科學兩個方面。人工生命的研究具有誘人的發(fā)展前景和廣泛的應(yīng)用領(lǐng)域。人們已在人工腦、計算機病毒、計算機進程、細胞自動機和人工核昔酸等課題的研究上取得突破性進展。粒群優(yōu)化算法是一種基于群體搜索的算法，它是建立在模擬鳥群社會的基礎(chǔ)上的。在粒群優(yōu)化中，被稱為粒子的個體是通過超維搜索空間“流動”的。粒子在搜索空間中的位置變化是以個體成功地超過其他個體的社會心理意向為基礎(chǔ)的。一粒子的搜索行為受到群中其他粒子的搜索行為的影響。因此可見，粒群優(yōu)化是一種共生合作算法。建立這種社會行為模型的結(jié)果是：在搜索過程中，粒子隨機地回到搜索空間中一個原先成功的區(qū)域。粒群優(yōu)化算法有個體最佳算法、全局最佳算法和局部最佳算法三種。近年來的研究使這些算法得以改進，其中包括改善其收斂性和提高其適應(yīng)性。從生物進化和仿生學角度出發(fā)，研究螞蟻尋找食物路徑的自然行為，提出了蟻群算法。用該方TSP題特別是離散優(yōu)化問題方面的優(yōu)勢，是一種很有發(fā)展前景的計算智能方法。第六章專家系統(tǒng)專家系統(tǒng)，特點和優(yōu)點專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的智能計算機程序系統(tǒng)，其內(nèi)部含有大星的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，能夠利用人類專家的知識和解決它應(yīng)用人工智能技術(shù)和計算機技術(shù)，根據(jù)某一個領(lǐng)域或多個專家提供的知識和經(jīng)驗，進行推理和判斷，模擬人類專家的決策過程，一邊解決那些需要人類專家處理的復雜問題。特點：(l)啟發(fā)性專家系統(tǒng)能運用專家的知識與經(jīng)驗進行推理、判斷和決策；(2)透明性專家系統(tǒng)能夠解釋本身的推理過程和回答用戶提出的問題，以便讓用戶能夠了解推理過程，提高對專家系統(tǒng)的信賴感。(3)靈活性專家系統(tǒng)能不斷地增長知識，修改原有知識，不斷更新優(yōu)點：(l)專家系統(tǒng)能夠高效率、準確、周到、迅速和不知疲倦地進行工作；專家系統(tǒng)解決實際問題時不受周圍環(huán)境的影響，也不可能遺漏忘記；可以使專家的專長不受時間和空間的限制，以便推廣珍貴和稀缺的專家知識與經(jīng)驗；有力地傳播專家的知識、經(jīng)驗和能力；知識、甲豐宮的經(jīng)驗和甲強的工作能力；(7)專家系統(tǒng)的研制和應(yīng)用，具有巨大的經(jīng)濟效益和社會效益；促進作用，并將對科技、經(jīng)濟、國防、教育、社會和人民生活產(chǎn)生極其深遠的影呴。專家系統(tǒng)構(gòu)成部分(I)知識庫，知識庫用千存儲某領(lǐng)域的專門知識，包括事實、可行操作與規(guī)則等。推理過程中得到的中間數(shù)據(jù)（信息），即被處理對象的一些當們事實。協(xié)調(diào)地工作。推理機能夠根據(jù)指示進行推理和尋出結(jié)論，而不是簡單地搜索現(xiàn)成的答案。其他候選解的原因。了解推理過程及推理結(jié)果等。系統(tǒng)則通過接口，要求用戶回答提問，并回答用戶提出的問題，進行必要的解釋。專家系統(tǒng)建造步驟是否擁有大呈知識是專家系統(tǒng)成功與否的關(guān)鍵，因而知識表示就成為設(shè)計專家系統(tǒng)的關(guān)鍵：(l法化；原型機(prototype識，而且只涉及與試驗有關(guān)的足夠簡單的任務(wù)和推理過程；一般的問題求解軟件程序一般應(yīng)用程序與專家系統(tǒng)的區(qū)別在于：前者把問題求解的知識隱含地編入程序，而后者則把其應(yīng)用領(lǐng)域的問題求解知識單獨組成一個實體，即為知識庫。知識庫的處理時通過與知識庫分開的控制策略進行的。更明確地說，一般應(yīng)用程序把知識組織為兩級：數(shù)據(jù)級和程序級；大多數(shù)專家系統(tǒng)則將知識組織成三級：數(shù)據(jù)、知識庫和控制。在數(shù)據(jù)級上，是已經(jīng)解決了的特定問題的說明性知識以及需要求解問題的有關(guān)事件的當前狀態(tài)、在知識庫級是專家系統(tǒng)的專門知識與經(jīng)驗。是否擁有大呈知識是專家系統(tǒng)成功與否的關(guān)鍵，因而知識表示就成為設(shè)計專家系統(tǒng)的關(guān)鍵。在控制程序級，根據(jù)既定的控制策略和所求解問題的性質(zhì)來決定應(yīng)用知識庫中的哪些知識。基于規(guī)則的專家系統(tǒng)系統(tǒng)的主要部分是知識庫和推理引擎。知識庫由謂詞派算事實和有關(guān)討論主題的規(guī)則構(gòu)成?！敝R工程師”與應(yīng)用領(lǐng)域的專家共同工作以便把專家的相關(guān)知識表示成一種形式，由一個知識采媒子系統(tǒng)協(xié)助，輸入到知識庫。推理引擎由所有操作知識庫來演繹用戶要求的信息的過程構(gòu)成－如消解、前向鏈或反向鏈。用戶接口可能包括某種自然語言處理系統(tǒng)，它允許用戶用一個有限的自然語言形式與系統(tǒng)交互。也可是用帶有菜單的圖形接口界面。解釋子系統(tǒng)分析被系統(tǒng)只需的推理結(jié)構(gòu)，并把它解釋給用戶。基于框架的專家系統(tǒng)與面向目標的編程面向目標的編程其所有數(shù)據(jù)結(jié)構(gòu)均以目標形式出現(xiàn)，每個目標含有兩種基本信息：描述目標的信息和說明目標能做什么的信息。面向目標的編程為表示實際世界目標提供了一種自然的方法。應(yīng)用專家系統(tǒng)的術(shù)語來說，每個目標具有陳述性知識和過程知識。結(jié)構(gòu)的主要特點在于基千框架的專家系統(tǒng)采用框架而不是規(guī)則來表示知識?？蚣芴峁┮环N比規(guī)則更豐富的獲取問題知識的方法，不僅提供某些目標的包描述，而且還規(guī)定了該目標如何工作。開發(fā)基于框架的專家系統(tǒng)的主要任務(wù)有：(l)定義問題（對問題和結(jié)論的考察與綜述）(2)分析領(lǐng)域（定義事物、事物特征、事件和框架結(jié)構(gòu)）(3)定義類及其特征(4)定義例及其框架結(jié)構(gòu)(5模式匹配法則(6)規(guī)定事物通信方法(7)設(shè)計系統(tǒng)界面(8)對系統(tǒng)進行評價(9)對系統(tǒng)進行擴展，深化和擴展知識基于模型的專家系統(tǒng)有一種關(guān)于人工智能的觀點認為：人工智能是對各種定性模型的獲得、表達及使用的計算方法進行研究的學問。根據(jù)這一觀點，一個知識系統(tǒng)中的知識庫是由各種模犁綜合而成的，而這些樑型又往往是定性的模型。采用各種定性模型來設(shè)計專家系統(tǒng)，一方面它增加了系統(tǒng)的功能，提高了性能指標，另一方面，可獨立地深入研究各種模型及其相關(guān)問題，把獲得的結(jié)果用于改進系統(tǒng)設(shè)計。分布式專家系統(tǒng)和協(xié)同式專家系統(tǒng)新型專家系統(tǒng)的特征：(1)并行于分布處理(2)多專家系統(tǒng)協(xié)同工作(3)高級語言和知識語言描述，知識工程師只需用一種高級專家系統(tǒng)描述語言對系統(tǒng)進行功能、性能及接口描述，并用知識表示語言描述領(lǐng)域知識，專家系統(tǒng)生成系統(tǒng)就能自動或半自動地生成所需專家系統(tǒng)。(4)具有自學習功能，具有高級的知識獲取與學習能力(5)引入新的推理機制，除了能進行演繹推理之外，還有歸納推理（聯(lián)想、類比）、非標準邏輯推理（非單調(diào)邏輯推理、加權(quán)邏輯推理）及各種基于不完全知識和模糊知識的推理。(6)具有自糾錯和自完善能力(7)先進的智能人機接口，理解自然語言，實現(xiàn)語聲、文字、圖形和圖像的直接輸入輸出時如今人們對智能計算機提出的要求。分布式專家系統(tǒng)，具有分布處理的特征，能把一個專家系統(tǒng)的功能經(jīng)分解以后分布到多個處理器上去并行地工作，從而有總體上提高系統(tǒng)的處理效率。它可以工作在緊耦合的多處理器系統(tǒng)環(huán)境中，也可工作在松耦合的計算機樹絡(luò)環(huán)境中，其總體結(jié)構(gòu)在很大程度上依賴千其所在的硬件環(huán)境協(xié)同式專家系統(tǒng)，又稱為“群專家系統(tǒng)”，是一個能綜合若干個相近領(lǐng)域或一個領(lǐng)域的多個方面的子專家系統(tǒng)互相協(xié)作，共同解決一個更廣領(lǐng)域問題的專家系統(tǒng)。是克服一般專家系統(tǒng)的局限性的重要途徑。它不著重于處理的分布和知識的分布，而是更強調(diào)子系統(tǒng)間的協(xié)同合作。它并不一定要求有多高處理機的硬件環(huán)境，而且一般都是在同一個處理機上實現(xiàn)各子專家系統(tǒng)的專家系統(tǒng)設(shè)計技術(shù)具有可靠知識與數(shù)據(jù)的小搜索空間問題，數(shù)據(jù)可靠（無噪聲、無錯誤、不丟失、不多余）和知識可靠（不出現(xiàn)假的、近似的或推測性的結(jié)論），決定了系統(tǒng)具有單調(diào)性并可采用單路推理路線。而小搜索空間的問題一般允許采用窮舉搜索策略。專門的不確定性推理技術(shù)。時變數(shù)據(jù)，一般要設(shè)計時佪推理技術(shù)，推理過程要求較復雜的表示法。雜程度。對打空間的問題通常還要根據(jù)具體問題的特征來去相應(yīng)的對策?；赪ebWebWebWeb基于WebInternetWebWeb專家系統(tǒng)建造工具專家系統(tǒng)開發(fā)工具室一些比較通用的工具，作為設(shè)計和開發(fā)專家系統(tǒng)的輔助手段和環(huán)境，以求提高專家系統(tǒng)的開發(fā)效率、質(zhì)量和自動化水平。專家系統(tǒng)工具是一種更高級的計算機程戶設(shè)計語言。比一般的計筍機商級語言具有更強的功能。主要分為骨架型工具（又稱外殼）語言型工具、構(gòu)造輔助工具和支撐環(huán)境等四類。本章總結(jié)作為人工智能應(yīng)用的一個重要突破口，專家系統(tǒng)已在眾多領(lǐng)域得到日益廣泛的應(yīng)用，顯示出它的強大生命力。本章在產(chǎn)生式系統(tǒng)的基礎(chǔ)上，首先研究了專家系統(tǒng)的基本問題，包括專家系統(tǒng)的定義、類型、特點、結(jié)構(gòu)和建造步驟等。接著討論了基千不同技術(shù)建立的專家系統(tǒng)，即6.26.46.5節(jié)基于Web為人工智能的發(fā)展提供很好的范例。計算機科學的一些新思想和新技術(shù)也對專家系統(tǒng)的發(fā)展起了重要作用。6.6節(jié)歸納的新型專家系統(tǒng)，就是應(yīng)用計算機科學中分布式處理和協(xié)同工作機制的結(jié)果，它們分別是分布式專家系統(tǒng)和協(xié)同式專家系統(tǒng)。對上述各種專家系統(tǒng)的更深入研究，應(yīng)由專家系統(tǒng)專著或教材去進行。6.7節(jié)介紹了專家系統(tǒng)的設(shè)計。首先以一個基于規(guī)則的維修咨詢系統(tǒng)為例，說明了專家系統(tǒng)的設(shè)計過程，并采用EXPERT開發(fā)工具進行設(shè)計。接著討論基千規(guī)則專家系統(tǒng)的一般設(shè)計方法，然后以反向推理規(guī)則專家系統(tǒng)為例說明介紹專家系統(tǒng)的設(shè)計任務(wù)。這將對專家系統(tǒng)有更具體和深入的了解。為了提高專家系統(tǒng)的開發(fā)效率、質(zhì)量和自動化水平，需要專家系統(tǒng)的開發(fā)下具。6.8節(jié)簡介了4種主要開發(fā)工具，即骨架型工具、語言型工具、構(gòu)造輔助工具和支撐環(huán)境，并介紹了專家系統(tǒng)的Matlab開發(fā)工具。專家系統(tǒng)是人工智能應(yīng)用研究的一個最早最有成效領(lǐng)域。人們期待它有新的發(fā)展和新的突破，成為21世紀人類進行智能管理與決策的得力工具。第七章機器學習什么是學習和機器學習按照人工智能大師西蒙的觀點，學習就是系統(tǒng)在不斷重復的工作中對本身能力的增強或者改進，使得系統(tǒng)在下一次執(zhí)行同祥認為或類似任務(wù)時，會比現(xiàn)在做得更好或效率跟高。機器學習室研究如何使用機器來模擬人類學習活動的一門學科，機器學習是現(xiàn)有的計綽機系統(tǒng)和人工智能系統(tǒng)沒有什么學習能力，至多也只有非常有限的學習能力，因而不能滿足和技和生產(chǎn)提出的新要求。機器學習主要策略機器學習所采用的策略大體上可分為4種機械學習、示教學習、類比學習和示例學習。機械學習的模式機械學習是最簡單的機器學習方法。機楨學習就是記憶，即把新的知識存儲起來，供需要時檢索調(diào)用，而不需要計綁和推理。是最基本的學習過程。任何學習系統(tǒng)都必須記住它們獲取的知識。在機械學習系統(tǒng)中，知識的獲取是以較穩(wěn)定和直接的方式進行的，不需要系統(tǒng)進行過多的加工。要研究的問題：(1機械學習才有意義，檢索的越快，其意義也就越大。(2)環(huán)境的穩(wěn)定性，機械學習基礎(chǔ)的一個重要嘉定是在某一時刻存儲的信息必須適用于后來的情況。(3)存儲與計算之間的權(quán)衡，如果檢索一個數(shù)據(jù)比重新計算一個數(shù)據(jù)所花的時間還要多，那么機械學習就失去了意義歸納學習的模式和學習方法歸納是一種從個別到一般，從部分到整體的推理行為。歸納學習的一般模式為：給定：觀察陳述（事實）F,假定的初始歸納斷言可能為空），及背景知識。求：歸納斷言（假設(shè)）H,能重言蘊含或弱蘊含觀察陳述，并滿足背景知識。學習方法：(1)示例學習，它屬于有師學習，是通過從環(huán)境中取得若干與某概念有關(guān)的例子，經(jīng)歸納得出一般性行概念的一種學習方法。示例學習就是要從這些特殊知識中歸納出適用于更大范圍的一般性知識，它將覆蓋所有的正例并排除所有的反例。(2標是確定一個定律或理論的一般性描述，刻畫觀察集，制定某類對象的性質(zhì)。它分為觀察學習與機器發(fā)現(xiàn)兩種，前者用于對事例進行聚類，形成概念描述，后者用于發(fā)現(xiàn)規(guī)律，產(chǎn)生定律或規(guī)則。類比推理過程如下：(ISTT(3)建立對應(yīng)關(guān)系，ST(4)轉(zhuǎn)換，把STT類比學習過程主要包括：(I)輸入一組已經(jīng)條件（已解決問題）和一組未完全確定的條件（新問題）；按照某種相似性的定義，尋找兩者可類比的對應(yīng)關(guān)系；根據(jù)相似變換的方法，建立從已解決問題到新問題的映射，以獲得帶求解問題所需的新知識。對通過類比推理得到的關(guān)千新問題的知識進行校驗。驗證正確的知識存入知識庫中，暫時無法驗證的知識作為參考性知識，置于數(shù)據(jù)庫中。得出一個表征求解過程的因果解釋樹，以獲取新的知識。在獲取新知識的過程中，通過對屬性、表征現(xiàn)象和內(nèi)在關(guān)系等進行解釋而學習到新的知識。知識發(fā)現(xiàn)與數(shù)據(jù)挖掘根據(jù)費亞德的定義，數(shù)據(jù)庫中的知識發(fā)現(xiàn)時從大量數(shù)據(jù)中辨識出有效的，新穎的，潛在有用的，并可被理解的模式的高級處理過程。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)中的一個步驟，它主要是利用某些特定的知識發(fā)現(xiàn)算法，在一定的運算效率內(nèi)，從數(shù)據(jù)中發(fā)現(xiàn)出有關(guān)知識。知識發(fā)現(xiàn)的處理過程(l)數(shù)據(jù)選擇，根據(jù)用戶需求從數(shù)據(jù)庫中提取與知識發(fā)現(xiàn)相關(guān)的數(shù)據(jù)；方法進行填補，進行發(fā)掘數(shù)據(jù)庫；(4)數(shù)據(jù)挖掘；(5)知識評價；對所獲得的規(guī)則進行價值評定，以決定所得到的的規(guī)則是否存入基礎(chǔ)知識庫知識發(fā)現(xiàn)的全過程，可進一步歸納為三個步驟，即數(shù)據(jù)挖掘預處理，數(shù)據(jù)挖掘，數(shù)據(jù)挖掘后處理。一般來說，深度學習算法具有如下特點：(1)使用多重非線性變換對數(shù)據(jù)進行多層抽象。(2)以尋求更適合的概念表示方法為目標。第八章自動規(guī)劃本章探討自動規(guī)劃問題，即機器人規(guī)劃問題。首先論述自動規(guī)劃的概念、定義、將它們分為任務(wù)規(guī)劃、路徑規(guī)劃和軌跡規(guī)劃。然后，分節(jié)依次研究了任務(wù)規(guī)劃、路徑規(guī)劃和軌跡規(guī)劃。任務(wù)規(guī)劃從積木世界的機器人規(guī)劃入手，逐步深入地開展對機器人規(guī)劃的討論。所討論的機器人規(guī)劃包括下列幾種方法：(1F(2)邏輯演算（消解原理）和通用搜索法。STRIPS系統(tǒng)即屬此法。(3)具有學習能力的規(guī)劃系統(tǒng)。如PULP-l系統(tǒng)，它采用類比技術(shù)和語義網(wǎng)絡(luò)表示。(4)分層規(guī)劃方法。如NOAH規(guī)劃系統(tǒng)，它特別適用于非線性規(guī)劃。(5ROPES還有其他一些機器人任務(wù)規(guī)劃系統(tǒng)，如三角表規(guī)劃法（具有最初步的學習能力）、應(yīng)用目標集的非線性規(guī)劃以及應(yīng)用最小約束策略的非線性規(guī)劃等。限千篇幅，恕不一一介紹。在路徑規(guī)劃部分，討論了機器人路徑規(guī)劃的主要方法和發(fā)展趨勢，介紹了我們的最新研究成果，包括基千模擬退火算法的機器人局部路徑規(guī)劃、基于免疫進化和示例學習的機器人路徑規(guī)劃以及基于蟻群算法的機器人路徑規(guī)劃等。路徑規(guī)劃還有許多規(guī)劃方法，本章只是給出了一些示例，與大家交流。這些研究實例，都是以計算智能為基礎(chǔ)的，而實際上存在許多傳統(tǒng)人工智能的規(guī)劃方法。我們并不是說傳統(tǒng)人工智能的規(guī)劃方法再沒有用處，而是限于篇幅未能對它們加以介紹。至于軌跡規(guī)劃，由于把它歸類于低層規(guī)劃，不屬于人工智能范疇，所以只作個簡介，不予深入討論。值得指出：第一，自動機器人規(guī)劃已發(fā)展為綜合應(yīng)用多種方法的規(guī)劃。第二，自動機器人規(guī)劃方法和技術(shù)巳應(yīng)用到圖像處理、計算機視覺、作戰(zhàn)決策與指揮、生產(chǎn)過程規(guī)劃與監(jiān)控以及機器人學各領(lǐng)域，并將獲得更為廣泛的應(yīng)用。第三，自動機器人規(guī)劃尚有一些待進一步深入研究的問題，如動態(tài)和不確定性環(huán)境下的規(guī)劃、多機器人協(xié)調(diào)規(guī)劃和實時規(guī)劃等。今后，一定會有更先進的自動機器人規(guī)劃系統(tǒng)和技術(shù)問世。第九章分