《計算機導(dǎo)論》課件-計算機導(dǎo)論第九章

第九章大數(shù)據(jù)與人工智能9.1大數(shù)據(jù)9.2人工智能9.3大數(shù)據(jù)與人工智能的關(guān)系9.4大數(shù)據(jù)與人工智能的應(yīng)用及社會問題

9.1大數(shù)據(jù)9.1.1大數(shù)據(jù)概述9.1.2數(shù)據(jù)科學(xué)和數(shù)據(jù)思維9.1.3大數(shù)據(jù)處理與可視化9.1大數(shù)據(jù)9.1.1大數(shù)據(jù)概述關(guān)于大數(shù)據(jù)，到目前為止還沒有一個統(tǒng)一的概念，常見的概念有三個。第一是維基百科給出的定義：無法在可承受的時間范圍內(nèi)用常規(guī)軟件進(jìn)行捕捉、管理和處理的數(shù)據(jù)集合；

第二是研究機構(gòu)Gartner給出的定義：需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來適應(yīng)海量、高增長率和多樣化的信息資產(chǎn)；第三是麥肯錫全球研究所給出的定義：一種規(guī)模大到在獲取、存儲、管理、分析方面都大大超出傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合。大數(shù)據(jù)不僅體現(xiàn)在我們字面上理解的數(shù)據(jù)量巨大上，而是有四個方面的主要特點：第一，數(shù)據(jù)體量巨大。第二，數(shù)據(jù)類型繁多。第三，商業(yè)價值高，而價值密度卻較低。第四，數(shù)據(jù)產(chǎn)生速度快。9.1大數(shù)據(jù)9.1.2數(shù)據(jù)科學(xué)和數(shù)據(jù)思維數(shù)據(jù)科學(xué)。數(shù)據(jù)科學(xué)是以數(shù)據(jù)為中心的科學(xué)，是指導(dǎo)數(shù)據(jù)分析與處理的科學(xué)以及相關(guān)的系統(tǒng)理論與方法。數(shù)據(jù)科學(xué)通過系統(tǒng)性地研究數(shù)據(jù)的組織和使用，可以促進(jìn)發(fā)現(xiàn)及改進(jìn)關(guān)鍵決策過程。數(shù)據(jù)科學(xué)研究內(nèi)容包括以下幾個方面：（1）基礎(chǔ)理論。（2）實驗方法與邏輯推理方法。（3）領(lǐng)域數(shù)據(jù)學(xué)。（4）數(shù)據(jù)資源的開發(fā)方法和技術(shù)。2.數(shù)據(jù)思維

數(shù)據(jù)思維是大數(shù)據(jù)時代的產(chǎn)物，是計算思維的最新的重要發(fā)展。數(shù)據(jù)思維首先要重視數(shù)據(jù)的全面性，而非數(shù)據(jù)的隨機抽樣性。其次是關(guān)注數(shù)據(jù)的復(fù)雜性，弱化精確性，要求對一個大的框架進(jìn)行模糊的準(zhǔn)確度趨勢的判斷。9.1大數(shù)據(jù)9.1.3大數(shù)據(jù)處理與可視化大數(shù)據(jù)處理數(shù)據(jù)清洗。數(shù)據(jù)清洗是在用戶確認(rèn)的前提下，運用每個過濾規(guī)則認(rèn)真進(jìn)行驗證、過濾和修正，而不僅僅是要將無用的數(shù)據(jù)濾除。不同的狀況和不同性質(zhì)的數(shù)據(jù)問題，所采用的清洗方法也有所不同，如：（1）缺失值處理如果數(shù)據(jù)中的某個或某些特征的值是不完整的，則這些值稱為缺失值。對缺失值處理有以下幾種方法：刪除法刪除法是指將含有缺失值的特征或者記錄刪除。替換法替換法是指用一個特定的值替換缺失值。插值法常用的插值法有熱平臺、冷平臺、回歸插補、多重插補等。數(shù)據(jù)預(yù)處理的主要內(nèi)容包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約。9.1大數(shù)據(jù)9.1.3大數(shù)據(jù)處理與可視化（2）冗余屬性處理冗余屬性是指同一屬性重復(fù)出現(xiàn)，同一屬性命名不同，其他屬性中包含另一屬性或者很大程度上可以代表該屬性。對冗余屬性處理前，需要分析冗余屬性產(chǎn)生的原因以及去除這部分屬性后可能造成的不良影響（3）異常值處理常見的異常值是人為輸入錯誤，常見的異常值處理方法有：刪除含有異常值的記錄：直接將含有異常值的記錄刪除。視為缺失值：將異常值視為缺失值，利用缺失值的處理方法進(jìn)行處理。平均值修正：可用前后兩個觀測值的平均值修正異常值。不做處理：直接在含有異常值的數(shù)據(jù)及上進(jìn)行數(shù)據(jù)分析、建模等操作。9.1大數(shù)據(jù)9.1.3大數(shù)據(jù)處理與可視化數(shù)據(jù)集成。數(shù)據(jù)集成是指將多個數(shù)據(jù)源中的數(shù)據(jù)合并，并存放到一個一致的數(shù)據(jù)存儲(如數(shù)據(jù)倉庫)中的過程。數(shù)據(jù)變換。在數(shù)據(jù)變換中，數(shù)據(jù)被變換成適用于算法需求的形式，數(shù)據(jù)變換策略主要包含以下幾種。（1）簡單函數(shù)變換簡單函數(shù)變換是對原始數(shù)據(jù)進(jìn)行某些數(shù)字函數(shù)變換，常用的變換函數(shù)包括平方、開方、取對數(shù)和差分運算等。簡單函數(shù)變換常用來將不具有正態(tài)分布的數(shù)據(jù)變換成具有正態(tài)分布的數(shù)據(jù)。（2）規(guī)范化規(guī)范化也稱為數(shù)據(jù)標(biāo)準(zhǔn)化或歸一化處理，是數(shù)據(jù)挖掘的一項基礎(chǔ)工作。主要有幾下幾種規(guī)范化方法：min-max標(biāo)準(zhǔn)化、小數(shù)定標(biāo)標(biāo)準(zhǔn)化、z-score標(biāo)準(zhǔn)化

數(shù)據(jù)規(guī)約。在大數(shù)據(jù)集上進(jìn)行復(fù)雜的數(shù)據(jù)分析和挖掘需要很長的時間，數(shù)據(jù)規(guī)約主要是為了在盡可能保持?jǐn)?shù)據(jù)原貌的前提下，最大限度地精簡數(shù)據(jù)量，得到原數(shù)據(jù)集的規(guī)約表示。常用的數(shù)據(jù)規(guī)約方法主要包括以下幾種：（1）維規(guī)約。維規(guī)約指的是減少所考慮的隨機變量或?qū)傩缘膫€數(shù)。（2）數(shù)值規(guī)約：通過選擇替代的、較小的數(shù)據(jù)形式替換原數(shù)據(jù)來減少數(shù)據(jù)量。（3）數(shù)據(jù)壓縮：通過變換以便得到原數(shù)據(jù)的規(guī)約或“壓縮”表示。9.1大數(shù)據(jù)9.1.3大數(shù)據(jù)處理與可視化2.數(shù)據(jù)可視化數(shù)據(jù)可視化是將大型數(shù)據(jù)集中的數(shù)據(jù)以圖形圖像表示，并利用數(shù)據(jù)分析和開發(fā)工具發(fā)現(xiàn)其中未知信息的處理過程。數(shù)據(jù)可視化技術(shù)的基本思想是將數(shù)據(jù)集中的每一個數(shù)據(jù)項作為單個圖元素表示，大量的數(shù)據(jù)集構(gòu)成數(shù)據(jù)圖像，同時將數(shù)據(jù)的各個屬性值以多維數(shù)據(jù)的形式表示，可以從不同的維度觀察數(shù)據(jù)，從而對數(shù)據(jù)進(jìn)行更深入的觀察和分析。一個典型的可視化分析過程如圖9.2所示常用的可視化技術(shù)有直方圖、盒狀圖、莖葉圖、餅圖、累積分布圖、散點圖、等高線圖、曲面圖、低維切片圖、矩陣圖、平行坐標(biāo)系圖等。9.2人工智能9.2.1人工智能概述9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)9.2.3機器人9.2人工智能9.2.1人工智能概述人工智能是研究如何制造智能機器或智能系統(tǒng)來模擬人類智能活動的能力，以延伸人類智能的科學(xué)。人工智能的發(fā)展并非一帆風(fēng)順，它主要經(jīng)歷了以下幾個重要的階段。1.人工智能的誕生2.第一個快速發(fā)展期3.人工智能的第一寒冬4.人工智能研究的沉默探索與復(fù)蘇5.人工智能的第二個冬天6.再一次騰飛9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)1.人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(ANN)是人工智能的重要研究領(lǐng)域之一，是從生物神經(jīng)網(wǎng)絡(luò)的研究成果中獲得啟發(fā)，試圖通過模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)及其網(wǎng)絡(luò)化的處理方法以及信息記憶方式，由大量處理單元互連組成一個非線性的、自適應(yīng)的動態(tài)信息處理系統(tǒng)，實現(xiàn)對信息的處理。人工神經(jīng)網(wǎng)絡(luò)在信息處理方面與傳統(tǒng)的計算機技術(shù)相比有自身獨特的優(yōu)勢。主要體現(xiàn)在以下幾點。1)并行性2)自學(xué)習(xí)能力3)記憶功能4)高度的魯棒性和容錯性9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的基本組成如下：1）多層結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)模仿人體神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行抽象建模，設(shè)計成由相互連接（信號通路）的處理單元(ProcessingElement)組成的處理系統(tǒng)，如圖9.15所示。人工神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度與網(wǎng)絡(luò)的層數(shù)和每層的處理單元有關(guān)。按照層級關(guān)系，整個網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可以分為輸入層、輸出層和隱藏層(有時也可以沒有隱藏層)。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)的分類。可以按照不同的分類標(biāo)準(zhǔn)，對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。按照拓?fù)浣Y(jié)構(gòu)劃分，人工神經(jīng)網(wǎng)絡(luò)可以分為兩層神經(jīng)網(wǎng)絡(luò)、三層神經(jīng)網(wǎng)絡(luò)和多層神經(jīng)網(wǎng)絡(luò)。按照結(jié)點間的連接方式劃分，人工神經(jīng)網(wǎng)絡(luò)可分為層間連接和層內(nèi)連接，連接強度用權(quán)值表示。層內(nèi)連接方式指神經(jīng)網(wǎng)絡(luò)同層內(nèi)部同層結(jié)點之間相互連接，如Kohonen網(wǎng)絡(luò)按照結(jié)點間的連接方向劃分，人工神經(jīng)網(wǎng)絡(luò)可分為前饋式神經(jīng)網(wǎng)絡(luò)和反饋式神經(jīng)網(wǎng)絡(luò)兩種。前饋式神經(jīng)網(wǎng)絡(luò)的連接是單向的，上層結(jié)點的輸出是下層結(jié)點的輸入。目前數(shù)據(jù)挖掘軟件中的神經(jīng)網(wǎng)絡(luò)大多為前饋式神經(jīng)網(wǎng)絡(luò)，如1986年由Rumelhart和McCelland領(lǐng)導(dǎo)的科學(xué)家小組提出的BP(BackPropagation)網(wǎng)絡(luò)，就是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。而反饋式神經(jīng)網(wǎng)絡(luò)除單向連接外，輸出結(jié)點的輸出又可作為輸入結(jié)點的輸入，即它是有反饋的連接9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)的基本特性。人工神經(jīng)網(wǎng)絡(luò)具有的四個基本特征1)非線性：非線性關(guān)系是自然界的普遍特性。人工神經(jīng)元中的激活函數(shù)由非線性函數(shù)(例如sigmoid函數(shù))構(gòu)成，可以模擬處于激活或抑制的兩種不同狀態(tài)，在數(shù)學(xué)上則表現(xiàn)為一種非線性關(guān)系。2)非局限性：神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元廣泛連接而成，系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，也由神經(jīng)元之間的相互作用、相互連接所決定。通過神經(jīng)元之間的大量連接來模擬大腦的非局限性。聯(lián)想記憶就是非局限性的典型例子。3)非常定性：人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程來描寫動力系統(tǒng)的演化過程。4)非凸性：一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)2.深度學(xué)習(xí)深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，它是一種利用復(fù)雜結(jié)構(gòu)的多個處理層來實現(xiàn)對數(shù)據(jù)進(jìn)行高層次抽象，以發(fā)現(xiàn)數(shù)據(jù)的分布式表示的算法，是機器學(xué)習(xí)的一個重要分支。下面介紹幾種常用的深度學(xué)習(xí)方法。1）卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是一種深度的監(jiān)督式學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。由于它是稀疏的網(wǎng)絡(luò)結(jié)構(gòu)，在層的數(shù)量分布、每一層卷積核的數(shù)量都會有差異。這一結(jié)構(gòu)決定了模型運算的效率和預(yù)測的精確度，理解不同結(jié)構(gòu)的作用和原理有助于設(shè)計符合實際的深層網(wǎng)絡(luò)結(jié)構(gòu)。與其他前饋式神經(jīng)網(wǎng)絡(luò)類似，卷積神經(jīng)網(wǎng)絡(luò)采用梯度下降的方法，應(yīng)用最小化損失函數(shù)對網(wǎng)絡(luò)中各節(jié)點的權(quán)重參數(shù)逐層調(diào)節(jié)，通過反向遞推，不斷地調(diào)整參數(shù)使得損失函數(shù)的結(jié)果逐漸變小，從而提升整個網(wǎng)絡(luò)的特征描繪能力，使卷積神經(jīng)網(wǎng)絡(luò)分類的精確度和準(zhǔn)確率不斷提高。卷積神經(jīng)網(wǎng)絡(luò)的低層是由卷積層和子采樣層交替組成，這是特征提取功能的核心模塊。通過卷積層和子采樣層，可以在保持特征不變的情況下減少維度空間和計算時間。卷積神經(jīng)網(wǎng)絡(luò)的更高層次是全連接層，其輸入是由卷積層和子采樣層提取到的特征。卷積神經(jīng)網(wǎng)絡(luò)的最后一層是輸出層，它可以是一個分類器，采用邏輯回歸、Softmax回歸、支持向量機等進(jìn)行模式分類，也可以直接輸出某一結(jié)果。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)分別介紹各個組成模塊及其功能：卷積層通過卷積層(Convolutionallayer)的運算，可以將輸入信號在某一特征上加強，從而實現(xiàn)特征的提取，也可以排除干擾因素，從而降低特征的噪聲。權(quán)重初始化用小的隨機數(shù)據(jù)來初始化各神經(jīng)元的權(quán)重，以打破對稱性。而當(dāng)使用Sigmoid激勵函數(shù)時，如果權(quán)重初始化的較大或較小時，訓(xùn)練過程容易出現(xiàn)梯度飽和以及梯度消失的問題。可以采用Xavier初始化來解決，它的初始化值是在線性函數(shù)上推導(dǎo)得出的，能夠保持輸出結(jié)果在很多層之后依然有良好的分布，在tanh激活函數(shù)上表現(xiàn)較好。如果要在ReLU激活函數(shù)上使用，最好使用He初始化?；蛘邞?yīng)用BatchNormalizationLayer來初始化，其思想是在線性變化和非線性激活函數(shù)之間，對數(shù)值做一次高斯歸一化和線性變化。此外，由于內(nèi)存管理是在字節(jié)級別上進(jìn)行的，所以把參數(shù)值設(shè)為2的冪比較合適（如32、64等）。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)子采樣層子采樣層(Sub-samplingLayer)是一種向下采樣(Downsampling)的形式，

在神經(jīng)網(wǎng)絡(luò)中也稱之為池化層(PoolingLayer)。一般使用最大池化(Maxpooling)將特征區(qū)域中的最大值作為新的抽象區(qū)域的值，減少數(shù)據(jù)的空間大小。參數(shù)數(shù)量和運算量也會減少，減少全連接的數(shù)量和復(fù)雜度，一定程度上可以避免過擬合。池化的結(jié)果是特征減少，參數(shù)減少，但其目的并不僅在于此。為了保持某種不變性(旋轉(zhuǎn)、平移、伸縮等)，常用的池化方法有平均池化(mean-pooling)、最大化池化(max-pooling)和隨機池化(Stochastic-pooling)三種。平均池化和最大化池化的過程分別如圖9.24和9.25所示9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)全連接層卷積層得到的每張?zhí)卣鲌D表示輸入信號的一種特征，而它的層數(shù)越高表示這一特征越抽象，為了綜合低層的各個卷積層特征，用全連接層(FullConnectLayer)將這些特征結(jié)合到一起，然后用Softmax進(jìn)行分類或邏輯回歸分析。輸出層輸出層(OutputLayer)的一項任務(wù)是進(jìn)行反向傳播，依次向后進(jìn)行梯度傳遞，計算相應(yīng)的損失函數(shù)，并重新更新權(quán)重值。在訓(xùn)練過程中可以采用Dropout來避免訓(xùn)練過程產(chǎn)生過擬合。輸出層的結(jié)構(gòu)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似，是基于上一全連接層的結(jié)果進(jìn)行類別判定。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)2）循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuronNetwork，RNN)是一種對序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡(luò)。RNN不同于前向神經(jīng)網(wǎng)絡(luò)，它的層內(nèi)、層與層之間的信息可以雙向傳遞，以更高效地存儲信息，利用更復(fù)雜的方法來更新規(guī)則，通常用于處理信息序列的任務(wù)。RNN主要用來處理序列數(shù)據(jù)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型每層內(nèi)的節(jié)點之間是無連接的。RNN中一個當(dāng)前神經(jīng)元的輸出與前面的輸出也有關(guān)，網(wǎng)絡(luò)會對前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前神經(jīng)元的計算中，即隱層之間的節(jié)點也是有連接的，并且隱層的輸入不僅包括輸入層的輸出還包括上一時刻隱層的輸出。理論上，RNN能夠?qū)θ魏伍L度的序列數(shù)據(jù)進(jìn)行處理。但是在實踐中，為了降低復(fù)雜性，往往假設(shè)當(dāng)前的狀態(tài)只與前面的幾個狀態(tài)相關(guān)，圖9.27所示是一個典型的RNN結(jié)構(gòu)。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)長短期記憶網(wǎng)絡(luò)：

長短期記憶網(wǎng)絡(luò)(LongShortTermMemory，LSTM)能夠?qū)W習(xí)長期依賴關(guān)系，并可保留誤差，在沿時間和層進(jìn)行反向傳遞時，可以將誤差保持在更加恒定的水平，讓RNN能夠進(jìn)行多個時間步的學(xué)習(xí)，從而建立遠(yuǎn)距離因果聯(lián)系。LSTM通過門控單元來實現(xiàn)RNN中的信息處理，用門的開關(guān)程度來決定對哪些信息進(jìn)行讀寫或清除。

圖9.29所示為數(shù)據(jù)在記憶單元中如何流動，以及單元中的門如何控制數(shù)據(jù)流動。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)（a）LSTM首先判斷對上一狀態(tài)輸出的哪些信息進(jìn)行過濾即遺忘那些不重要的信息。它通過一個遺忘門(ForgetGate)的Sigmoid激活函數(shù)實現(xiàn)。(b)通過輸入門將有用的新信息加入到元胞狀態(tài)。

(d)最后，從當(dāng)前狀態(tài)中選擇重要的信息作為元胞狀態(tài)的輸出。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)門限循環(huán)單元：門限循環(huán)單元(GatedRecurrentUnit，GRU)是LSTM的變種，本質(zhì)上就是一個沒有輸出門的LSTM，因此它在每個時間步都會將記憶單元中的所有內(nèi)容寫入整體網(wǎng)絡(luò)，該模型比標(biāo)準(zhǔn)的LSTM模型更加簡化，其結(jié)構(gòu)如圖9.34所示。9.2人工智能9.2.2人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)3.深度學(xué)習(xí)流行框架目前深度學(xué)習(xí)領(lǐng)域中主要的實現(xiàn)框架有TensorFlow、Caffe、Torch/PyTorch、Keras、MxNet、Deepleaming4j等。9.2人工智能9.2.3機器人機器人是從事與人類相似動作的自動機械，代替人類行使某些智能動作，因此，它也是人工智能的研究對象。1.感知、推理和決策無論是哪一種機器人，必定需要感應(yīng)系統(tǒng)以獲得感知能力。在可移動機器人中，其感知能力