人工智能概論

人工智能概論姓名：學(xué)號：專業(yè)：老師：時間：人工智能的原理及應(yīng)用1早期的人工智能20世紀50~60年代,許多研究者試圖從模仿人腦的結(jié)構(gòu)或功能建立一個模擬人腦的智能機器。心理學(xué)家MCcolloch和數(shù)理邏輯學(xué)家Plits于1943年提出了第一個簡化的神經(jīng)元M-P模型。PERCEPTION是一個早期的神經(jīng)網(wǎng)絡(luò)系統(tǒng),能進行簡單的模式識別。當(dāng)時的神經(jīng)網(wǎng)絡(luò)的實現(xiàn)技術(shù)還處于電子分立元件的時代,結(jié)構(gòu)過于簡單,與包含10億個神經(jīng)細胞的人腦相差太遠,這個系統(tǒng)后來被證明是失敗的。20世紀60年代中后期,由于計算機技術(shù)的飛速發(fā)展,功能主義的人工智能方法興盛起來。人們認為只要編制出聰明的軟件,就可以使計算機系統(tǒng)表現(xiàn)出應(yīng)有的智能。人們設(shè)想假設(shè)以計算機的工作速度、運算精度、記憶容量、記憶準確度等能力,再加上一個無所不包的程序庫,計算機將無所不能,在不遠的將來,計算機將在總體上超過人類。由于無法建立萬能的知識庫,這種想法是很不現(xiàn)實的,也是很難甚至是不可能實現(xiàn)的。2專家系統(tǒng)2.1專家系統(tǒng)專家系統(tǒng)是以知識為基礎(chǔ)的智能推理系統(tǒng),與通用問題求解系統(tǒng)不同,專家系統(tǒng)強調(diào)在某一專業(yè)領(lǐng)域中積累大量的知識,包括實現(xiàn)范例以及該領(lǐng)域?qū)＜覀兯哂械慕?jīng)驗和規(guī)律。當(dāng)然這些規(guī)律并不要求是很嚴謹,但它們是有啟發(fā)性的。這些知識構(gòu)成數(shù)據(jù)庫,系統(tǒng)在知識庫的基礎(chǔ)上發(fā)展其專門領(lǐng)域的知識,使系統(tǒng)達到模擬專家的程度。簡單說(知識庫)+(推理機)=專家系統(tǒng)專家系統(tǒng)大致分為三個組成部分:知識庫、推理機和人機界面,具體結(jié)構(gòu)主要有知識庫、數(shù)據(jù)庫、推理機、解釋器、知識獲取(學(xué)習(xí)系統(tǒng))和人機界面組成,其中知識庫和推理機是核心部分。專家系統(tǒng)的結(jié)構(gòu)如圖1所示。專家系統(tǒng)通過提取知識庫中的知識,由推理機進行一系列的推理,得出結(jié)論,指導(dǎo)工作。專家系統(tǒng)具有以下特點:(1)它所解決的問題是復(fù)雜而專門的問題,這些問題很難用精確的數(shù)學(xué)語言描述,也沒有確定的算法去解決;(2)專家系統(tǒng)不同于傳統(tǒng)的數(shù)據(jù)處理算法而是突出知識的價值,推廣和應(yīng)用專家知識;(3)它采用人工智能原理和技術(shù),如符號表示、符號推理和啟發(fā)搜索等。2.2專家系統(tǒng)的發(fā)展及局限性1969年,由美國斯坦福大學(xué)的Feigenbaum等人完成了用于確定有機化學(xué)分子結(jié)構(gòu)式的DENDRAL專家系統(tǒng)。該系統(tǒng)在從分子式及其質(zhì)譜數(shù)據(jù)判斷分子結(jié)構(gòu)的能力方面達到了專家的水平,被廣泛應(yīng)用于各大學(xué)和企業(yè)的化學(xué)實驗室里。隨后,專家系統(tǒng)廣泛用于醫(yī)療、化學(xué)、設(shè)計、地質(zhì)勘探等領(lǐng)域。專家系統(tǒng)擅長解決的是難以建立數(shù)學(xué)模型而又依賴專家經(jīng)驗知識的問題,并在信息不完整或含有輕度噪聲的情況下仍能給出一個合理的結(jié)論。它適合解決如故障診斷、報警處理、系統(tǒng)恢復(fù)、負荷預(yù)測、檢修計劃安排、無功電壓控制、規(guī)劃設(shè)計等問題。雖然專家系統(tǒng)能成功地解決某些專門領(lǐng)域的問題,也有很多優(yōu)點,但經(jīng)過多年的實踐表明,一般專家系統(tǒng)存在以下弱點。a)知識獲取難。知識獲取的主要途徑是機器學(xué)習(xí)、機器感知和人工移植。目前,前兩種知識獲取途徑的能力還很低,大部分專家系統(tǒng)的知識獲取還需要人工移植,即知識工程師通過和專家交談獲取專家的經(jīng)驗知識。對于一些很難用語言描述的經(jīng)驗和知識、多個領(lǐng)域?qū)＜抑g互相矛盾的知識,知識工程師往往會束手無策。b)處理復(fù)雜問題的時間長。對于一個復(fù)雜的系統(tǒng),計算機要花費較長的時間一個一個地處理程序代碼,這個缺陷限制了計算機執(zhí)行高速運算的性能,也使專家系統(tǒng)難以適應(yīng)實時系統(tǒng)的要求。c)容錯能力差。計算機采用局部存儲方式,不同的數(shù)據(jù)和知識存儲時互不相關(guān),只有通過人編寫的程序才能溝通,程序中微小的錯誤都會引起嚴重的后果,系統(tǒng)表現(xiàn)出極大的脆弱性。d)基礎(chǔ)理論還不完善。專家系統(tǒng)的本質(zhì)特征是基于規(guī)則的邏輯推理思維,然而迄今的邏輯理論仍然很不完善,現(xiàn)有邏輯理論的表達能力和處理能力有很大的局限性。3人工神經(jīng)網(wǎng)絡(luò)3.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork)是由大量處理單元-神經(jīng)元互連而成的網(wǎng)絡(luò)。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來實現(xiàn);知識與信息的存貯表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)能力,它可以從已有的實驗數(shù)據(jù)中自動總結(jié)規(guī)律,而不依賴于專家的頭腦。人工神經(jīng)網(wǎng)絡(luò)擅長于處理復(fù)雜的多維的非線性問題,既可以解決定性問題,又可用于解決定量的問題。人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模的并行處理和分布的信息存儲能力,良好的自適應(yīng)性,自組織性及很強的學(xué)習(xí)、聯(lián)想、容錯及較好的可靠性[6]。但是,由于神經(jīng)網(wǎng)絡(luò)是運用歸納的方法,在原始數(shù)據(jù)上通過學(xué)習(xí)算法建立內(nèi)部知識庫,各單個神經(jīng)元不存儲信息網(wǎng)絡(luò)的知識是編碼在整個網(wǎng)絡(luò)連接權(quán)的模式中,知識表達不明確。此外,雖然神經(jīng)網(wǎng)絡(luò)一旦學(xué)習(xí)完成就能迅速地求解,具有良好的并行性,但是知識的積累是以網(wǎng)絡(luò)的重新學(xué)習(xí)為代價,時間開銷較大。3.2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展人工神經(jīng)網(wǎng)絡(luò)的研究始于上世紀40年代。它經(jīng)歷了由興起到蕭條又由蕭條到興盛的發(fā)展道路。在M-P模型之后,50年代末,F.Rosenblatt提出了重要的感知機模型,這是一個完整的人工神經(jīng)網(wǎng)絡(luò),初步具備了諸如并行處理、分布存儲和學(xué)習(xí)等神經(jīng)網(wǎng)絡(luò)的一些基本特征。1960年B.Windrow和M.E.Hoff提出了自適應(yīng)線性單元網(wǎng)絡(luò),可用于自適應(yīng)濾波器、預(yù)測和模型識型。從50年代到60年代初,神經(jīng)網(wǎng)絡(luò)的研究工作形成了一個高潮。1969年M.Minsky和S.Papert指出,單層的感知機只能用于線性問題的求解,而對于像XOP(異或)這樣簡單的非線性問題卻無法求解。由于Minsky的悲觀結(jié)論,加上當(dāng)時以邏輯推理為基礎(chǔ)的人工智能和數(shù)字計算機取得了輝煌的成就,從而使人工智能神經(jīng)網(wǎng)絡(luò)研究走入低潮。進入80年代,神經(jīng)網(wǎng)絡(luò)的研究又引起了眾多學(xué)科領(lǐng)域?qū)W者的關(guān)注,并很快形成了熱潮。人工神經(jīng)網(wǎng)絡(luò)成功地用于計算機視覺、語言識別、知識處理、理解與合成、優(yōu)化計算、神經(jīng)計算機、智能控制及復(fù)雜系統(tǒng)分析等技術(shù)領(lǐng)域,研究內(nèi)容涉及神經(jīng)生理學(xué)、認識科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計算機科學(xué)、微電子學(xué)、光學(xué)、生物電子學(xué)等學(xué)科,并在微電子,生物技術(shù),數(shù)學(xué),物理,化學(xué),材料[7]等科學(xué)領(lǐng)域得到應(yīng)用。4人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的應(yīng)用4.1專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合專家系統(tǒng)的特色是符號推理,神經(jīng)網(wǎng)絡(luò)擅長數(shù)值計算。從神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)構(gòu)、工作原理來看,它們是兩種完全不同的技術(shù),有很大的區(qū)別:(1)專家系統(tǒng)的知識表示是顯式的、描述性的;而神經(jīng)網(wǎng)絡(luò)對知識的表示是隱式的,它用網(wǎng)絡(luò)的拓撲結(jié)構(gòu)表示節(jié)點間的相互關(guān)系,節(jié)點間的互聯(lián)強度表示項與項之間相互影響的強弱。(2)專家系統(tǒng)獲取知識的主要途徑目前還是機械式學(xué)習(xí)和講授式學(xué)習(xí),它的知識是在系統(tǒng)外學(xué)習(xí)得到的,然后以代碼的形式輸入知識庫中;人工神經(jīng)網(wǎng)絡(luò)獲取知識的方法則是直接從數(shù)值化的實例中學(xué)習(xí)或?qū)鹘y(tǒng)人工智能技術(shù)已獲得的知識特例轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的分布式存儲,學(xué)習(xí)是在系統(tǒng)內(nèi)部并可以成為十分活躍的部分。(3)專家系統(tǒng)是具有符號推理機制的計算機程序,使用離散邏輯作為它的功能基礎(chǔ);而神經(jīng)網(wǎng)絡(luò)試圖要模仿人腦智力功能,它的實現(xiàn)是于連續(xù)的數(shù)值計算。(4)專家系統(tǒng)使用演繹的方法,把從系統(tǒng)外得到并用代碼輸入系統(tǒng)的知識推廣,知識表達很明確,是一種可以讓專家識別的形式,因而容易證實,并且,專家系統(tǒng)中知識庫與推理機是相互獨立的,知識可以漸進地積累,當(dāng)某一事實改變時,修改也較容易;而神經(jīng)網(wǎng)絡(luò)在原始數(shù)據(jù)上通過學(xué)習(xí)算法建立內(nèi)部知識庫,網(wǎng)絡(luò)的知識是編碼在整個網(wǎng)絡(luò)連接權(quán)的模式中,知識的積累需要重新學(xué)習(xí),效率較低?？梢?由于自身的局限性,專家系統(tǒng)或人工神經(jīng)網(wǎng)絡(luò)各自只能模擬人腦的部分功能,不會具有很高的智能。如果將二者結(jié)合起來構(gòu)成神經(jīng)網(wǎng)絡(luò)專家系統(tǒng),加入深層次知識,取長補短,充分發(fā)揮各自的特長,則有可能形成一個新型的高智能的系統(tǒng),它既有專家系統(tǒng)的知識與人機交互功能,又有人工神經(jīng)網(wǎng)絡(luò)的并行分布式處理、非線性、模糊推理和自動知識獲取等特點,這是智能發(fā)展的必由之路。例如,利用神經(jīng)網(wǎng)絡(luò)的高效性和方便的自學(xué)習(xí)功能,只需用領(lǐng)域?qū)＜医鉀Q問題的實例來訓(xùn)練神經(jīng)網(wǎng)絡(luò),解決專家系統(tǒng)的知識獲取困難這一瓶頸問題;利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能,不斷豐富知識庫內(nèi)容,知識更新的問題就可解決,避免了專家系統(tǒng)的脆弱性。神經(jīng)網(wǎng)絡(luò)的知識推理是通過神經(jīng)元之間的作用實現(xiàn)的,由于采用并行推理因而具有較高的速度,可以解決專家系統(tǒng)推理的匹配沖突組合爆炸及無窮遞歸問題。4.2材料設(shè)計中的應(yīng)用在材料領(lǐng)域,人們經(jīng)過長期的探索和研究,積累了一定的理論知識;但由于許多復(fù)雜影響因素的存在,有相當(dāng)一部分材料的組分、工藝與性能之間的本質(zhì)關(guān)系尚不于300MW以上機組,當(dāng)響應(yīng)速度允許有成功的應(yīng)用經(jīng)驗時,也可將汽輪機保護納入DCS0,但對于采用何種類型的控制器并未做出規(guī)定。十分清楚,存在許多經(jīng)驗知識,因此在材料設(shè)計、制備及性能預(yù)測等領(lǐng)域在很大程度上還必須依靠專家的經(jīng)驗知識。專系統(tǒng)的應(yīng)用必將給材料設(shè)計領(lǐng)域帶來全新的革命。進入80年代,專家系統(tǒng)在材料領(lǐng)域的應(yīng)用逐漸成為熱點。近一二十年來,專家系統(tǒng)在無機材料粉末合成、材料設(shè)計到成形、燒結(jié)和性能檢測等過程中得到了開發(fā)和應(yīng)用。目前,已有專家系統(tǒng)應(yīng)用于衛(wèi)生陶瓷、陶瓷釉料和電子陶瓷等陶瓷制品的性能、組分設(shè)計。專家系統(tǒng)是以符號信息轉(zhuǎn)換、處理為基礎(chǔ)的多層次邏輯級的軟方法。神經(jīng)網(wǎng)絡(luò)是以低層次、子符號為基礎(chǔ)的全面統(tǒng)計級的硬方法。將兩者聯(lián)合起來融為一體化系統(tǒng),應(yīng)用于材料設(shè)計是有生命力的。另外,材料物性數(shù)據(jù)庫是材料設(shè)計的基礎(chǔ)。材料數(shù)據(jù)庫主要是數(shù)據(jù)信息,還可包括圖像信息等。將數(shù)據(jù)庫管理系統(tǒng)連接到人工智能系統(tǒng)或?qū)⑷斯ぶ窃兊裙δ艿臄?shù)據(jù)庫,進而開發(fā)出以材料配方設(shè)計和工藝參數(shù)優(yōu)化為目標的新型智能數(shù)據(jù)庫,滿足對多目標、高性能材料設(shè)計的要求。這對于加速材料計算機輔助設(shè)計將是一條新的途徑。利用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)進行材料的設(shè)計,是將目前最佳的組合嘗試在材料領(lǐng)域的應(yīng)用,如果能夠?qū)崿F(xiàn)必將翻開材料史上嶄新的一頁,加速新材料的開發(fā),極大的促進和加快國家支柱產(chǎn)業(yè)的發(fā)展,再一次成為經(jīng)濟技術(shù)發(fā)展的決定性力量。隨著系統(tǒng)論、信息論、控制論農(nóng)神經(jīng)生理學(xué)、心理學(xué)、邏輯學(xué)以及電子計算機等科學(xué)技術(shù)的交叉發(fā)展,出現(xiàn)了人工智能。人工智能的發(fā)展,正在出現(xiàn)從信息革命向智能革命的轉(zhuǎn)化。美國著名的人工智能的其基人之一、知識工程理論的倡導(dǎo)者愛德華·費根魄姆教搜認為,人工智能或第五代計算機的出現(xiàn),將形成知識信息處理系統(tǒng)K,,(K,w,.d.e’n‘orm.’i?！?,o‘’“’‘“.y,:。二),這將可能引起一場世界性的知識革命,從而可能把信息革命推向一個新的智能革命階段。從目前的頂側(cè)粉來,智能革命包括知識革命與思維革命這樣兩個相互構(gòu)接的階段,前者是初級階段,后者是高級階段。人工智能由低級階段向高級階段的發(fā)展,即由知識革命到思維革命的發(fā)展、促進認識論研究的深入,把認識論的研究提高到一個新的水平。第一、人工智能的發(fā)展,開辟了一個新的領(lǐng)城一知識工程。什么叫做知識工程呢?贊根鮑姆認為:“知識工程是人工智能的一種技藝。它運用人工智能的頤理和方法,為那些擂要專家知識才能解決的應(yīng)用難.握供求娜的手段。恰當(dāng)運用專家知識的獲取、表達和推理的構(gòu)成與解釋,是設(shè)計基于知系統(tǒng)的重要技術(shù)問口?！边@種能夠在專家水平上從事工作的由智能軟件建立起來的專家系統(tǒng),是一種專家型的摸擔(dān)。費根飽姆認為,專家系統(tǒng)是一個計算機程序,里面存二比悶t~”,尸,一,~,一,_第三、人工智能的發(fā)展,可能導(dǎo)致微觀認識論的出現(xiàn)。隨著系統(tǒng)論、信息論、控制論、神經(jīng)生理學(xué)、心理學(xué)、腦科學(xué)和人工智能等料學(xué)技術(shù)的交叉發(fā)展,以及由此引起的智能革命的不斷推進,很有可能使人之間的關(guān)系。而且.由于上述諸種科學(xué)技術(shù)的交叉綜合的發(fā)展、人工智能等學(xué)技術(shù)側(cè)重于從外部模擬大腦的結(jié)構(gòu)和功能,而腦科學(xué)、神經(jīng)生理學(xué)、心理學(xué)等等學(xué)科則側(cè)重于研探索與爭鳴究大腦自身的結(jié)構(gòu)和功能。這兩方面的交叉、綜合的發(fā)展,很有可能揭開人的大腦這個千萬年來的“神秘”王國之謎,從而可能取得認識論上的突破性的進展—出現(xiàn)徽觀認識論?；沼^認識論著重研究物質(zhì)與愈識前述兩層關(guān)系之間的關(guān)系,成為連接宏觀認識論和思