人工智能課程論文

1、人工智能：用科學(xué)解密生命與智慧人工智能課程論文題目：人工智能：用科學(xué)解密生命與智慧姓 名： 學(xué) 號： 指導(dǎo)老師： 摘要本文是對人工智能及其應(yīng)用的一個綜述。首先介紹了人工智能的理論基礎(chǔ)以其與人類智能的區(qū)別和聯(lián)系。然后簡要介紹了人工智能的發(fā)展現(xiàn)狀以及未來趨勢，并列舉了一些人工智能在生活中的應(yīng)用。對人工智能的一個熱門分支神經(jīng)計算進行了著重介紹，人工神經(jīng)網(wǎng)絡(luò)通過模擬人腦的學(xué)習(xí)機制，將人工智能的重點從符號表示可靠的推理策略問題轉(zhuǎn)化到學(xué)習(xí)和適應(yīng)的問題，描述了其在字符識別問題上的實際應(yīng)用。目錄一，人工智能與人類智能41，什么是智能？42，機器智能不等同于人類智能5二，人工智能當(dāng)前進展6三，人工智能在生活中的

2、應(yīng)用7四，人工智能的前沿分支：神經(jīng)計算91，人工神經(jīng)網(wǎng)絡(luò)：從大腦得到靈感92，神經(jīng)網(wǎng)絡(luò)應(yīng)用實例：基于Deep autoencoder的字符圖像識別10五，人工智能未來發(fā)展趨勢12小結(jié)13參考文獻14一， 人工智能與人類智能人工智能（Artificial Intelligence，AI）是計算機科學(xué)的一個分支，它關(guān)心智能行為的自動化。AI是計算機科學(xué)的一部分，因而必須建立在堅實的理論知識之上并應(yīng)用于計算機科學(xué)領(lǐng)域。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。1， 什么是智能？雖然大

3、多數(shù)人確信看到智能行為是能判斷它是智能的，但是似乎沒有人能夠使“智能”的定義既足夠又具體以評估計算機程序的智能性，同時又反映了人類意識的生動性和復(fù)雜性。這樣實現(xiàn)一般智能就是塑造特定智能的人工制品。這些制品通常以診斷、預(yù)測或可視化工具實現(xiàn)，能夠使得人類使用者完成復(fù)雜的任務(wù)。例如：用語言理解的馬爾可夫模型，提供新數(shù)學(xué)理論的自動推理系統(tǒng)，通過大腦皮層網(wǎng)跟蹤信號的動態(tài)貝葉斯網(wǎng)絡(luò)，以及基因表達的數(shù)據(jù)模式的可視化，等等。因此，定義人工智能完全領(lǐng)域的問題就變成了定義智能本身的問題：智能是一種獨立的才能，還是一系列獨一無二且不相關(guān)的能力的總稱？在多大程度上可以說智能是學(xué)到的不是預(yù)先存在的？準確的說，學(xué)習(xí)時發(fā)生

4、什么？什么是創(chuàng)造力？什么是直覺？智能是從可觀察行為推斷出的，還是需要特定內(nèi)部機制的證據(jù)？在一個生物體的神經(jīng)組織中，知識是以何種方式表示的？什么是自覺，它在智能中起著怎樣的作用？另外，有必要按照已知的人類智能模式來設(shè)計智能計算機程序嗎？智能實體是不是需要只有在生物中存在的豐富感受和經(jīng)歷？這一系列的問題很難回答，但這些問題幫助我們勾勒出現(xiàn)代人工智能研究的核心問題以及求解方法。實際上，人工智能提供了一種獨特而強大的工具來精確探索這些問題。AI為智能理論提供了一種媒介和實驗臺：首先用計算機程序語言表達出這些理論，然后在實際計算機上執(zhí)行來進行測試和驗證。2， 機器智能不等同于人類智能瑪麗·雪萊

5、在她的弗蘭肯斯坦一書的序言中這樣寫道：大多是拜倫勛爵和雪萊之間的對話，而我只是一個虔誠、安靜的聽眾。其中有一次，他們討論了各種哲學(xué)學(xué)說，以及有關(guān)生命原理的問題，并且談到這些原理有否可能曾被發(fā)現(xiàn)和討論過。他們談及了達爾文博士的實驗（我不能確認達爾文博士是否真正做過這個實驗，我只是說當(dāng)時有人講他做過這樣的實驗），他把一段蠕蟲（vermicelli）儲藏在玻璃罐中，在采取了一些特殊方法之后，它開始自發(fā)運動。難道生命不是這樣形成的嗎？或許死尸還可能復(fù)活；流電電流實驗已經(jīng)讓我們看到了這樣的跡象：生命體的組成部分可以被制造、組合并注入活力（Butler 1998）?，旣?#183;雪萊告訴我們，諸如達爾文

6、的進化論和發(fā)現(xiàn)電流這樣的科學(xué)進步已經(jīng)使普通民眾相信：自然法則并非奧妙無窮，而是可以被系統(tǒng)分析和理解的。弗蘭肯斯坦的魔鬼并不是“薩滿教”咒語或與地獄可怕交易的產(chǎn)物；而是由一個個單獨“制造”的部件組裝起來的，并且被注入了強大的電能。盡管19世紀的科學(xué)還不足以使人認識到理解和創(chuàng)造一個完全智能主體的意義，但它至少加深了這樣的認識：生命和智慧的奧秘可以被納入到科學(xué)分析中。也就是說，人可以讓機器擁有所謂的“智能”。11936年，哲學(xué)家阿爾弗雷德·艾耶爾思考心靈哲學(xué)問題：我們怎么知道其他人曾有同樣的體驗。在語言，真理與邏輯中，艾爾建議有意識的人類及無意識的機器之間的區(qū)別。1950年，圖靈發(fā)表了一篇

7、劃時代的論文，文中預(yù)言了創(chuàng)造出具有真正智能的機器的可能性1。 由于注意到“智能”這一概念難以確切定義，他提出了著名的圖靈測試：如果一臺機器能夠與人類展開對話（通過電傳設(shè)備）而不能被辨別出其機器身份，那么稱這臺機器具有智能。這一簡化使得圖靈能夠令人信服地說明“思考的機器”是可能的。論文中還回答了對這一假說的各種常見質(zhì)疑。2 圖靈測試是人工智能哲學(xué)方面第一個嚴肅的提案。1952年，在一場BBC廣播中，圖靈談到了一個新的具體想法：讓計算機來冒充人。如果不足70%的人判對,也就是超過30%的裁判誤以為在和自己說話的是人而非計算機，那就算作成功了。2014年6月8日，一臺計算機成功讓

8、人類相信它是一個13歲的男孩，成為有史以來首臺通過圖靈測試的計算機。這被認為是人工智能發(fā)展的一個里程碑事件，但專家警告稱，這項技術(shù)可用于網(wǎng)絡(luò)犯罪。3-5    。盡管圖靈測試具有直觀上的吸引力，圖靈測試還是受到了很多無可非議的批評。其中一個重要的質(zhì)疑時它偏向于純粹的符號求解任務(wù)。它并不測試感知技能或要實現(xiàn)手工靈活性所需的能力，而這些都是人類智能的重要組成部分。另一方面，有人提出圖靈測試沒有必要把機器智能強行套入人類智能的模具之中。人工智能或許本就不同于人類智能，我們并不希望一臺機器做數(shù)學(xué)題像人類一樣又慢又不準，我們希望的是它自身有點的最大化，比如快速準確

9、的處理數(shù)據(jù)，長久的存儲數(shù)據(jù)，沒有必要模仿人類的認知特征。 但是，人工智能中一部分主要的研究著偏重于研究對人類智能的理解。人們?yōu)橹悄芑顒犹峁┝艘环N原型實例，一些應(yīng)用（比如診斷理解）通常有意地將模型建立在該領(lǐng)域的權(quán)威專家的解決過程上。更為重要的是，理解人類智能本身就是一個吸引人的 、有待研究的科學(xué)挑戰(zhàn)。二， 人工智能當(dāng)前進展1 問題的求解人工智能中的問題解求，就是如何讓機器去解決人類會遇到的問題，如何根據(jù)某一具體問題找到思考問題并解決這個問題的方法。目前，人工智能技術(shù)已經(jīng)可以通過計算機程序解決了如何考慮要解決的問題，并能尋求較為準確的解決方案。2邏輯的推理與定理的證明人工智能研究中最持久的探究領(lǐng)域

10、之一就是邏輯推理。有關(guān)定理的證明就是讓機器證明非數(shù)值性的真假。其中比較重要的是，通過找到合理、準確的方法，集中注意力在大型數(shù)據(jù)庫中的有效事實，關(guān)注可信度證明，并在出現(xiàn)新信息時適時修改這些證明。23 人工智能應(yīng)用之自然語言的處理智能的另一表現(xiàn)就是進行自然語言的交流，自然語言處理就是讓機器與人類進行無阻礙的溝通，這正是人工智能技術(shù)應(yīng)用于實際領(lǐng)域的典型范例。目前此領(lǐng)域的主要研究內(nèi)容是：如何利用計算機系統(tǒng)以主題和對話情境為基礎(chǔ)，生成和理解自然語言。34 人工智能應(yīng)用之模式的識別如何使機器具有感知能力也是智能的表現(xiàn)。模式的識別是利用人工智能技術(shù)開發(fā)智能機器的關(guān)鍵，主要是通過計算機用數(shù)學(xué)技術(shù)方法來研究模式

11、的自動處理和判讀，讓計算機實現(xiàn)“看見”，“聽見”等功能。計算機模式識別的主要特點是速度快，準確率高，效率高，計算機模式識別也為人類認識自身智能提供了有利幫助。5 人工智能應(yīng)用之智能信息的檢索技術(shù)在科學(xué)技術(shù)飛速發(fā)展的今天，人類已進入了“知識爆炸”的時代。傳統(tǒng)檢索系統(tǒng)已經(jīng)滿不足了對如今如此數(shù)量巨大以及種類繁多的文獻檢索要求。人工智能科技持續(xù)穩(wěn)定發(fā)展的重要前提就是智能檢索模塊，可以說，智能信息的檢索技術(shù)的運用勢在必行。6 人工智能應(yīng)用之專家系統(tǒng)我們常說的專家系統(tǒng)就是指從人類專家那里獲取的知識，并用來解決只有專家才能解決的疑難問題。這是一種基于知識的系統(tǒng)，從而也被稱為知識基系統(tǒng)。專家系統(tǒng)是人工智能技術(shù)

12、中研究最活躍，最有成效的一個領(lǐng)域?，F(xiàn)在的專家系統(tǒng)尤其特殊的模仿了專家在處理故障時的思維方式，其水平有時甚至可以超過人類專家的水平。7 人工智能應(yīng)用之機器人學(xué)機器人對我們并不陌生，已在多個領(lǐng)域獲得了越來越普遍的應(yīng)用，諸如農(nóng)業(yè)、工業(yè)、商業(yè)、旅游業(yè)、航空和海洋等。那么，機器人學(xué)所研究的問題主要包括從機器人手臂的最佳移動到實現(xiàn)機器人目標的動作序列的規(guī)劃方法。機器人和機器人學(xué)的研究對人工智能思想的發(fā)展都起到了促進作用。三，人工智能在生活中的應(yīng)用l 計算機科學(xué)人工智能產(chǎn)生了許多方法解決計算機科學(xué)最困難的問題。它們的許多發(fā)明已被主流計算機科學(xué)采用，而不認為是AI的一部份。下面所有內(nèi)容原在AI實驗室發(fā)展：時間

13、分配，介面演繹員，圖解用戶介面，計算機鼠標，快發(fā)展環(huán)境，聯(lián)系表數(shù)據(jù)結(jié)構(gòu)，自動存儲管理，符號程序，功能程序，動態(tài)程序，和客觀指向程序。3l 金融銀行用人工智能系統(tǒng)組織運作，金融投資和管理財產(chǎn)。2001年8月在模擬金融貿(mào)易競賽中機器人戰(zhàn)勝了人。金融機構(gòu)已長久用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)去發(fā)覺變化或規(guī)范外的要求，銀行使用協(xié)助顧客服務(wù)系統(tǒng)；幫助核對帳目，發(fā)行信用卡和恢復(fù)密碼等。l 醫(yī)院和醫(yī)藥醫(yī)學(xué)臨床可用人工智能系統(tǒng)組織病床計劃；并提供醫(yī)學(xué)信息。人工神經(jīng)網(wǎng)絡(luò)用來做臨床診斷決策支持系統(tǒng)。計算機幫助解析醫(yī)學(xué)圖像。這樣系統(tǒng)幫助掃描數(shù)據(jù)圖像，從計算X光斷層圖發(fā)現(xiàn)疾病，典型應(yīng)用是發(fā)現(xiàn)腫塊、心臟聲音分析。l 重工業(yè)在工業(yè)中已

14、普遍應(yīng)用機器人。它們常做對人是危險的工作。全世界日本是利用和生產(chǎn)機器人的先進國；1999年世界范圍使用1,700,000臺機器人。l 顧客服務(wù)人工智能是自動上線的好助手，可減少操作，使用的主要是自然語言加工系統(tǒng)。呼叫中心的回答機器也用類似技術(shù)，如語言識別軟件可使計算機的顧客較好操作。l 運輸汽車的變速箱已使用模糊邏輯控制器。l 運程通訊許多運程通訊公司正研究管理勞動力的機器；如BT組研究可管20000工程師的機器。l 玩具和游戲1990年企圖用基本人工智能大量為教育和消遣生產(chǎn)民用產(chǎn)品?，F(xiàn)在，大眾在生活的許多方面都在應(yīng)用人工智能技術(shù)。l 音樂技術(shù)常會影晌音樂的進步，科學(xué)家想用人工智能技術(shù)盡量趕上

15、音樂家的活動；現(xiàn)正集中在研究作曲，演奏，音樂理論，聲音加工等。四，人工智能的前沿分支：神經(jīng)計算1， 人工神經(jīng)網(wǎng)絡(luò)：從大腦得到靈感神經(jīng)計算科學(xué)是從信息科學(xué)的角度來研究如何加速神經(jīng)網(wǎng)絡(luò)模仿和延伸人腦的高級精神活動，如聯(lián)想、記憶、推理、思維及意識等智能行為。這涉及到腦科學(xué)、認知科學(xué)，神經(jīng)生物學(xué)、非線性科學(xué)、計算機科學(xué)、數(shù)學(xué)、物理學(xué)諸學(xué)科的綜合集成。它是綜合研究和實現(xiàn)類腦智能信息系統(tǒng)的一個新思想和新策略。6深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。一個神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖

16、1所示圖1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖神經(jīng)網(wǎng)絡(luò)將人工智能的重點從符號表示和可靠的推理策略問題轉(zhuǎn)移到學(xué)習(xí)和適應(yīng)的問題。同人和其他動物一樣，神經(jīng)網(wǎng)絡(luò)是適應(yīng)世界的一種機制：經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)結(jié)果是通過學(xué)識形成的。這種網(wǎng)絡(luò)是通過和世界交互形成的，通過經(jīng)驗的不明確痕跡反映出來。神經(jīng)網(wǎng)絡(luò)的這種途徑對我們理解智能起了極大的作用。人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺，如模式、語音識別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動人工智能和信息處理技術(shù)不斷發(fā)展。近年來，人工神經(jīng)網(wǎng)絡(luò)正

17、向模擬人類認知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進化機制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，將在實際應(yīng)用中得到發(fā)展。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。神經(jīng)計算機的研究發(fā)展很快，已有產(chǎn)品進入市場。光電結(jié)合的神經(jīng)計算機為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域已得到了很好的應(yīng)用，但其需要研究的方面還很多。其中，具有分布存儲、并行處理、自學(xué)習(xí)、自組織以及非線性映射等優(yōu)點的神經(jīng)網(wǎng)絡(luò)與其他技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，已經(jīng)成為一大研究熱點。由于其他方法也有它們各自的優(yōu)點，所以將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，取長補短，

18、繼而可以獲得更好的應(yīng)用效果。目前這方面工作有神經(jīng)網(wǎng)絡(luò)與模糊邏輯、專家系統(tǒng)、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據(jù)理論和灰色系統(tǒng)等的融合。2， 神經(jīng)網(wǎng)絡(luò)應(yīng)用實例：基于Deep autoencoder的字符圖像識別深度信念網(wǎng)絡(luò) (Deep Belief Network, DBN) 7由 Geoffrey Hinton 在 2006 年提出。它是一種生成模型，通過訓(xùn)練其神經(jīng)元間的權(quán)重，我們可以讓整個神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓(xùn)練數(shù)據(jù)。我們不僅可以使用 DBN 識別特征、分類數(shù)據(jù)，還可以用它來生成數(shù)據(jù)。DBN 由多層神經(jīng)元構(gòu)成，這些神經(jīng)元又分為顯性神經(jīng)元和隱性神經(jīng)元（以下簡稱顯元和隱元）。

19、顯元用于接受輸入，隱元用于提取特征。因此隱元也有個別名，叫特征檢測器 (feature detectors)。最頂上的兩層間的連接是無向的，組成聯(lián)合內(nèi)存 (associative memory)。較低的其他層之間有連接上下的有向連接。最底層代表了數(shù)據(jù)向量 (data vectors)，每一個神經(jīng)元代表數(shù)據(jù)向量的一維。DBN 是由多層 RBM 組成的一個神經(jīng)網(wǎng)絡(luò)，它既可以被看作一個生成模型，也可以當(dāng)作判別模型，其訓(xùn)練過程是：使用非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得權(quán)值。 訓(xùn)練過程： 1. 首先充分訓(xùn)練第一個 RBM； 2. 固定第一個 RBM

20、 的權(quán)重和偏移量，然后使用其隱性神經(jīng)元的狀態(tài)，作為第二個 RBM 的輸入向量； 3. 充分訓(xùn)練第二個 RBM 后，將第二個 RBM 堆疊在第一個 RBM 的上方； 4. 重復(fù)以上三個步驟任意多次； 5. 如果訓(xùn)練集中的數(shù)據(jù)有標簽，那么在頂層的 RBM 訓(xùn)練時，這個 RBM 的顯層中除了顯性神經(jīng)元，還需要有代表分類標簽的神經(jīng)元，一起進行訓(xùn)練： a) 假設(shè)頂層 RBM 的顯層有 500 個顯性神經(jīng)元，訓(xùn)練數(shù)據(jù)的分類一共分成了 10 類； b) 那么頂層 RBM 的顯層有 510 個顯性神經(jīng)元，對每一訓(xùn)練訓(xùn)練數(shù)據(jù)，相應(yīng)的標簽神經(jīng)元被打開設(shè)為 1，而其

21、他的則被關(guān)閉設(shè)為 0。 6. DBN 被訓(xùn)練好后如下圖：圖2 訓(xùn)練好的深度信念網(wǎng)絡(luò)。圖中的綠色部分就是在最頂層 RBM 中參與訓(xùn)練的標簽。注意調(diào)優(yōu) (FINE-TUNING) 過程是一個判別模型 調(diào)優(yōu)過程 (Fine-Tuning) ： 生成模型使用 Contrastive Wake-Sleep 算法進行調(diào)優(yōu)，其算法過程是： 1. 除了頂層 RBM，其他層 RBM 的權(quán)重被分成向上的認知權(quán)重和向下的生成權(quán)重； 2. Wake 階段：認知過程，通過外界的特征和向上的權(quán)重 (認知權(quán)重) 產(chǎn)生每一層的抽象表示 (結(jié)點狀態(tài)) ，并且使用梯度下降修改層間

22、的下行權(quán)重 (生成權(quán)重) 。也就是“如果現(xiàn)實跟我想象的不一樣，改變我的權(quán)重使得我想象的東西就是這樣的”。 3. Sleep 階段：生成過程，通過頂層表示 (醒時學(xué)得的概念) 和向下權(quán)重，生成底層的狀態(tài)，同時修改層間向上的權(quán)重。也就是“如果夢中的景象不是我腦中的相應(yīng)概念，改變我的認知權(quán)重使得這種景象在我看來就是這個概念”。 在附件中提供了程序代碼。實驗利用MNIST字符圖像，驗證該方法的特征提取與識別能力。五，人工智能未來發(fā)展趨勢科學(xué)技術(shù)是第一生產(chǎn)力，但技術(shù)的發(fā)展往往是遠遠超越我們的想象。就目前的一些前瞻性研究可以看出，未來人工智能技術(shù)的發(fā)展有如下幾大趨勢：1 問題求解問題求

23、解一般包括兩種，一種是指解決管理活動中由于意外引起的非預(yù)期效應(yīng)或與預(yù)期效應(yīng)之間的偏差。正在逐漸發(fā)展成為搜索和問題歸約這類人工智能的基本技術(shù)；另一種問題的求解程序，是把各種數(shù)學(xué)公式符號匯編在一起。其性能已達到非常高的水平，并正在被許多工程師和科學(xué)家應(yīng)用，甚至還有些程序能夠用經(jīng)驗來改善其性能。2 機器學(xué)習(xí)人工智能研究的核心課題之一就是機器學(xué)習(xí)。我們知道學(xué)習(xí)是人類智能的重要特征，那么機器學(xué)習(xí)就是指機器自動獲取知識的過程。機器學(xué)習(xí)是機器獲取知識的根本途徑，也是機器智能的重要標志。計算機的機器學(xué)習(xí)主要研究內(nèi)容為如何讓計算機模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)能力。今后機器學(xué)習(xí)的研究主要是研究人腦思維的過程、人類學(xué)習(xí)的機

24、理等。3 模式識別用計算機實現(xiàn)模式( 文字、聲音、人物、物體等) 的自動識別，彌補計算機對外部世界感知能力低下的缺陷，使計算機能夠通過感官接受外界信息，識別和理解周圍環(huán)境。依然是人工智能技術(shù)今后研究的重要方向。因為模式識別能為人類認識自身智能提供線索，也是開發(fā)智能機器的一個最關(guān)鍵的突破口。目前計算機模式識別系統(tǒng)的研究熱點主要為三維景物、活動目標的識別和分析方面。傳統(tǒng)的用統(tǒng)計模式和結(jié)構(gòu)模式的識別方法將會被近年來迅速發(fā)展起來的模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代，特別是神經(jīng)網(wǎng)絡(luò)方法在模式識別中取得較大進展。4 專家系統(tǒng)專家系統(tǒng)是根據(jù)某領(lǐng)域中一個或多個專家提供的知識或經(jīng)驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題的智能軟件，它是一個具有大量的專門知識與經(jīng)驗的程序系統(tǒng)。目前各種專家系統(tǒng)已遍布各個專業(yè)領(lǐng)域，因此專家系統(tǒng)還將是人工智能應(yīng)用研究最廣泛和最活躍的應(yīng)用領(lǐng)域之一。5 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)，常被簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。是未來人工智能應(yīng)用的新領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)是指由大量處理單元（神經(jīng)元）互連而成的網(wǎng)絡(luò)。人工神