人工智能及應用

不確定性推理證據(jù)理論?D-S理論證據(jù)理論是由德普斯特(A.P.Dempster)提出，并由沙佛(G.Shfer)進一步發(fā)展起來的一種處理不確定性的理論。也稱為D-S理論。其將概率的單點賦值擴展為集合賦值，弱化了公理系統(tǒng)。處理由不知道引起的的不確定性。?概率分配函數(shù)定義4-1：設Ω是樣本集，則由Ω的所有子集構(gòu)成的集合稱為Ω的冪集，記為2Ω。例：設Ω={紅，黃，白}，求Ω的冪集2Ω解：Ω的冪集元素為Φ，{紅}，{黃}，{白}，{紅，黃}，{紅，白}，{黃，白}，{紅，黃，白}。?概率分配函數(shù)定義4-2：設函數(shù)m:2Ω→[0,1]，且滿足

m(Φ)=0∑A?Ωm(A)=1稱m是2Ω上的概率分配函數(shù)，m(A)稱為A的基本概率數(shù)。?概率分配函數(shù)例：為上一個例子定義一個概率分配函數(shù)。解：m(Φ，{紅}，{黃}，{白}，{紅，黃}，{紅，白}，{黃，白}，{紅，黃，白})={0,0.3,0,0.1,0.2,0.2,0,0.2}?概率分配函數(shù)的兩點說明概率分配函數(shù)將樣本空間中的任意子集映射到［０，１］的一個數(shù)。當子集是一個元素時，表示對此元素的精確信任度，也是對子集的精確信任度。當子集是多個元素時，表示對子集的精確信任度，但不清楚子集中每個元素的信任度。當子集是樣本空間時，不知道如何將信任度分配給每個元素。?概率分配函數(shù)的兩點說明如例中A={紅}，m({紅})=0.3表示對紅的精確信任度是0.3；A={紅，黃，白}，m({紅，黃，白})=0.2表示這些信任度不知道如何分配給集合中的元素。概率分配函數(shù)不是概率。不滿足概率的歸一性。?信任函數(shù)定義4-3：信任函數(shù)(Belieffunction)

Bel:2Ω→[0,1]為對任給的A?ΩBel(A)=∑B?Am(B)

Bel函數(shù)又稱為下限函數(shù)，表示對A的總的信任度。

?信任函數(shù)接前例：Bel(Φ)=0Bel({紅})=0.3Bel({紅,白})=Bel({紅})+Bel({白})+Bel({紅,白})=0.3+0.1+0.2=0.6Bel({紅,白,黃})=Bel({紅})+Bel({白})+Bel({黃})+Bel({紅,白})+Bel({紅,黃})+Bel({黃,白})+Bel({紅,黃,白})=1?信任函數(shù)Bel(Φ)=m(Φ)=0Bel(Ω)=∑B?Ωm(B)=1?似然函數(shù)定義4-4：似然函數(shù)(Plausibilityfunction)

Pl(A):2Ω→[0,1]對任給的A?ΩPl(A)=1-Bel(?A)似然函數(shù)又稱為不可駁斥函數(shù)或上限函數(shù)。表示對A非假的信任度。

?似然函數(shù)接前例：Pl({紅})=1-Bel(?{紅})=1-Bel({黃,白})=1-Bel({黃})-Bel({白})-Bel({黃,白})=0.9Pl({黃,白})=1-Bel(?{黃,白})=1-Bel({紅})=0.7?似然函數(shù)可以證明

Pl(A)=∑A∩B≠Φm(B)∑{紅}∩B≠Φm(B)=m({紅})+m({紅,白})+m({紅,黃})+m({紅,白,黃})=0.3+0.2+0.2+0.2=0.9∑{黃,白}∩B≠Φm(B)=m({黃})+m({白})+m({紅,黃})+m({白,黃})+m({紅,白})+m({紅,白,黃})=0+0.1+0+0.2+0.2+0.2=0.7?似然函數(shù)Pl(A)-∑A∩B≠Φm(B)=1-Bel(?A)-∑A∩B≠Φm(B)=1-(Bel(?A)+∑A∩B≠Φm(B))=1-(∑B??Am(B)+∑A∩B≠Φm(B))=1-∑B?Ω

m(B)=0∴Pl(A)=∑A∩B≠Φm(B)?信任函數(shù)與似然函數(shù)的關(guān)系定理4-1：信任函數(shù)與似然函數(shù)有如下關(guān)系：對任給的A?Ω有

Pl(A)≥Bel(A)證明：

∵Bel(A)+Bel(?A)=∑B?Am(B)+∑C??Am(C)≤∑B?Ωm(B)=1?信任函數(shù)與似然函數(shù)的關(guān)系又∵Pl(A)-Bel(A)=1-Bel(?A)-Bel(A)=1-(Bel(?A)+Bel(A))≥0∴Pl(A)≥Bel(A)?使用信任函數(shù)與似然函數(shù)Bel(A)：表示A為真的信任度，為信任度下限。Pl(A)：表示A為非假的信任度，為信任度的上限。?使用信任函數(shù)與似然函數(shù)表示事物的不確定性可以由事物的這兩個函數(shù)值來描述，例如{紅}{紅}：[0.3,0.9]表示{紅}的精確信任度為0.3，不可駁斥部分為0.9，而肯定不是{紅}的為0.1?典型值的含義A[0,1]：說明對A一無所知。Bel(A)=0,Pl(A)=1,說明對A沒有信任，對?A也沒有信任。A[0,0]：說明A為假。Bel(A)=0,Pl(A)=0，Bel(?A)=1。A[1,1]：說明A為真。?概率分配函數(shù)的正交和定義4-5：設m和n是兩個不同的概率分配函數(shù)，其正交和m⊕n滿足

m⊕n(Φ)=0m⊕n(A)=K-1X∑x∩y=Am(x)Xn(y)

其中K=1-∑x∩y=Φm(x)Xn(y)?概率分配函數(shù)的正交和設m1,m2,…,mn是n個不同的概率分配函數(shù)，其正交和m1⊕

m2⊕,…,⊕mn滿足

m1⊕

m2⊕,…,⊕mn(Φ)=0m1⊕

m2⊕,…,⊕mn(A)=K-1X∑∩Ai=A∏1≤i≤nmi(Ai)

其中K=∑∩Ai≠Φ∏1≤i≤nmi(Ai)?概率分配函數(shù)的正交和例：設樣本空間Ω={a,b},從不同的知識來源得到的概率分配函數(shù)分別為：m1(Φ,{a},,{a,b})=(0,0.4,0.5,0.1)m2(Φ,{a},,{a,b})=(0,0.6,0.2,0.2)求正交和m=m1⊕

m2？?概率分配函數(shù)的正交和解：先求K-1K-1=1-∑x∩y=Φm1(x)Xm2(y)=1-m1({a})xm2()-m1()xm2({a})=1-0.3x0.3-0.5x0.6=0.61

?概率分配函數(shù)的正交和m(Φ)=0m({a})=K-1∑x∩y={a}m1(x)Xm2(y)=K-1(m1({a})Xm2((a,b})+m1({a})Xm2({a})+m1({a,b})Xm2({a}))=0.54

m()=0.43m({a,b})=0.03?D-S理論的推理模型如前面介紹，可以使用信任函數(shù)和似然函數(shù)表示命題A的信任度下限和上限。我們使用同樣的方式表示知識信任度。似然函數(shù)和信任函數(shù)的計算是建立在概率分配函數(shù)的基礎(chǔ)之上，概率分配函數(shù)不同，結(jié)論會不同。?一類特殊的概率分配函數(shù)設Ω={s1,s2,,…,sn},m為定義在2Ω上的概率分配函數(shù)，且m滿足：m({si})≥0,對任給si?Ω∑m({si})≤1m(Ω)=1-∑m({si})當A?Ω，且A的元素多于1個或沒有元素，則m(A)=0。?一類特殊的概率分配函數(shù)對上面的概率分配函數(shù)，可以得到信任函數(shù)和似然函數(shù)的性質(zhì)：Bel(A)=∑si?Am(si)Bel(Ω)=∑si?Ωm(si)+m(Ω)=1Pl(A)=1-Bel(?A)=1-∑si??Am(si)=1-∑si?Ωm(si)+∑si?Am(si)=m(Ω)+Bel(A)Pl(Ω)=1-Bel(?Ω)=1?類概率函數(shù)定義4-6：設Ω為有限域，對任何命題A?Ω其類概率函數(shù)為f(A)=Bel(A)+|A|/|Ω|[Pl(A)-Bel(A)]其中|A|和|Ω|表示A和Ω中的元素個數(shù)。?類概率函數(shù)的性質(zhì)∑si?Ωf(si)=1證明：∵f({si})=Bel({si})+|{si}|/|Ω|[Pl({si})-Bel({si})]=m({si})+(1/n)m(Ω)∴∑si?Ωf(si)=∑si?Ωm(si)+m(Ω)=1?類概率函數(shù)的性質(zhì)對任何A?Ω有Bel(A)≤f(A)≤Pl(A)證明：∵Pl(A)-Bel(A)≥0,|A|/|Ω|>0∴Bel(A)≤f(A)∴f(A)≤Bel(A)+[Pl(A)-Bel(A)]=Pl(A)?類概率函數(shù)的性質(zhì)對任何A?Ω有f(?A)=1-f(A)證明：∵f(?A)=Bel(?A)+|?A|/|Ω|[Pl(?A)-Bel(?A)]|?A|=|Ω|-|A|Pl(?A)-Bel(?A)=m(Ω)Bel(?A)=1-Bel(A)-m(Ω)?類概率函數(shù)的性質(zhì)∴f(?A)=1-Bel(A)-m(Ω)+(|Ω|-|A|)/|Ω|m(Ω)=1-Bel(A)-m(Ω)+m(Ω)-|A|/|Ω|m(Ω)=1-(Bel(A)+|A|/|Ω|(Pl(A)-Bel(A)))=1-f(A)?類概率函數(shù)的性質(zhì)根據(jù)前面的性質(zhì)可以很容易得到

f(Φ)=0

f(Ω)=1對任何A?Ω,0≤f(A)≤1?知識不確定性的表示D-S理論中，不確定性知識的表示形式為

ifEthenH={h1,h2,,…,hn}CF={c1,c2,,…,cn}其中：E為前提條件，它可以是簡單條件，也可以是復合條件；H是結(jié)論，它用樣本空間的子集表示，h1,h2,,…,hn是該子集的元素；CF是可信度因子，用集合的方式表示。c1,c2,,…,cn用來表示h1,h2,,…,hn的可信度。?證據(jù)不確定性的表示證據(jù)的不確定性由證據(jù)的類概率函數(shù)給出。

CER(E)=f(E)?不確定性的更新設有知識ifEthenH={h1,h2,,…,hn}CF={c1,c2,,…,cn}

證據(jù)E的不確定性為CER(E)，確定結(jié)論H的不確定性描述CER(H)，方法如下：求H的概率分配函數(shù)m({h1},{h2},,…,{hn})=(c1XCER(E),c2XCER(E),,…,cnXCER(E))m(Ω)=1-∑m({hi})?不確定性的更新求Bel(H),Pl(H)及f(H)

Bel(H)=∑m({hi})Pl(H)=1-Bel(?H)f(H)=Bel(H)+|H|/|Ω|m(Ω)CER(H)=f(H)?結(jié)論不確定性的合成如果有兩條知識支持同一結(jié)論ifE1thenH={h1,h2,,…,hn}CF={c1,c2,,…,cn}ifE2thenH={h1,h2,,…,hn}CF={e1,e2,,…,en}先求出每條知識的概率分配函數(shù)m1,m2,然后求出兩個概率分配函數(shù)的正交和m1⊕

m2以正交和作為H的概率分配函數(shù)。?示例設有如下規(guī)則r1:ifE1and

E2thenA={a1,a2}CF={0.3,0.5}r2:ifE3and(E4or

E5)thenB={b1}CF={0.7}r3:ifA

thenH={h1,h2,h3}CF={0.1,0.5,0.3}r4:ifB

thenH={h1,h2,h3}CF={0.4,0.2,0.1}用戶給出CER(E1)=0.8,CER(E2)=0.6CER(E3)=0.9,CER(E4)=0.5,CER(E5)=0.7并假定Ω中有10個元素，求CER(H)=？?示例求CER(A)CER(E1and

E2)=min{CER(E1),CER(E2)}=0.6m({a1},{a2})=(0.6*0.3,0.6*0.5)=(0.18,0.3)Bel(A)=0.18+0.3=0.48Pl(A)=1-Bel(?A)=1-0=1f(A)=Bel(A)+|A|/|Ω|*(Pl(A)-Bel(A))=0.48+2/10*(1-0.48)=0.584CER(A)=f(A)=0.584?示例求CER(B)CER(E3and(E4orE5))=0.7m({b1})=(0.7*0.7)=(0.49)Bel(B)=0.49Pl(B)=1-Bel(?B)=1-0=1f(A)=Bel(A)+|A|/|Ω|*(Pl(A)-Bel(A))=0.49+1/10*(1-0.49)=0.541CER(A)=f(A)=0.541?示例求CER(H)由規(guī)則r3可得m1({h1},{h2},{h3})=(CER(A)*0.1,CER(A)*0.5,CER(A)*0.3)=(0.058,0.292,0.175)m1(Ω)=1-[m1({h1})+m1({h2})+m1({h3})]=0.475?示例由規(guī)則r4可得m2({h1},{h2},{h3})=(CER(A)*0.4,CER(A)*0.2,CER(A)*0.1)=(0.216,0.108,0.054)m2(Ω)=1-[m2({h1})+m2({h2})+m2({h3})]=0.622?示例求正交和m=m1⊕m2K=1-∑x∩y=Φm1(x)Xm2(y)=0.855m({h1})=K-1X∑x∩y={h1}m1(x)Xm2(y)=(1/0.855)[m1({h1})Xm2({h1})+m1({h1})Xm2({Ω})+m1({Ω})Xm2({h1})]=0.178m({h2})=0.309m({h3})=0.168m({Ω})=0.345?示例求CER(H)Bel(H)=m({h1})+m({h2})+m({h3})=0.655Pl(H)=m(Ω)+Bel(H)=1f(H)=Bel(H)+|H|/|Ω|*(Pl(H)-Bel(H))=0.759CER(H)=f(H)=0.759?證據(jù)理論的優(yōu)點滿足比概率更弱的公理系統(tǒng).能處理由”不知道”引起的不確定性.?演講完畢，謝謝觀看！附錄資料：人工智能簡介?AboutTeachingPlan基本要求：人工智能是計算機科學中涉及研究、設計和應用智能機器的一個分支，是目前迅速發(fā)展的一門新興學科，新思想新方法層出不窮。其基本思想是利用機器來模仿和執(zhí)行人腦的功能，如判斷、推理、證明、識別、感知、理解、設計、思考、規(guī)劃、學習和問題求解等思維活動。對于培養(yǎng)學生計算機技術(shù)的應用能力，開闊思路和視野，有重要意義。

?AboutTeachingPlan因此，要求學生掌握知識表示和問題求解的幾種常用方法，尤其是不確定性推理；掌握機器學習基本概念，了解幾種機器學習方法尤其是神經(jīng)網(wǎng)絡學習方法；掌握專家系統(tǒng)的概念，了解專家系統(tǒng)設計方法，掌握一些智能控制方法，了解國內(nèi)外人工智能研究尤其是機器人的最新進展；具有一定的人工智能編程設計能力（利用Lisp或Prolog語言）。?AboutTeachingPlan課程內(nèi)容以及學時分配人工智能引論(1) 人工智能概念及與計算機的關(guān)系，研究途徑、內(nèi)容和應用領(lǐng)域概況介紹，其他最新材料。符號主義、連接主義、行為主義三大流派人工智能數(shù)學基礎(chǔ)(1)知識表示方法（2） 狀態(tài)空間法、問題歸約法，謂詞邏輯法、產(chǎn)生式表示法（動物識別系統(tǒng)）；CLIPS語言；語義網(wǎng)絡法、框架法（這是結(jié)構(gòu)化表示）；劇本、過程、Petri網(wǎng)、面向?qū)ο蟮谋硎尽?AboutTeachingPlan 搜索技術(shù)和策略（3-4）狀態(tài)空間法，盲目搜索和啟發(fā)式搜索，A*算法；海伯倫理論、消解原理和策略；與\或形推理和搜索策略；其他求解技術(shù)。 不確定推理技術(shù)（3-4）主觀Bayes理論；可信度方法和證據(jù)理論；系統(tǒng)組織技術(shù)；非單調(diào)推理；Rete快速算法；模糊推理技術(shù)；基于語義網(wǎng)絡和框架不確定推理； 專家系統(tǒng)（2）專家系統(tǒng)概念、結(jié)構(gòu)和知識獲取；黑板模型、知識組織、管理及系統(tǒng)建造和開發(fā)工具；專家系統(tǒng)舉例及編程。

人工智能程序設計（1）人工智能語言基本機制：LISP和PROLOG。?AboutTeachingPlan 模式識別導論（3）模式識別專題：概率模式識別。模式識別專題：結(jié)構(gòu)模式識別 機器學習（1）：機械,解釋經(jīng)驗,事例,歸納,概念,類比學習等；統(tǒng)計,結(jié)構(gòu),模糊模式識別。 專題講座（3次） 1)神經(jīng)網(wǎng)絡基本理論和應用 (史奎凡課程：安排于人工智能理論與應用課程內(nèi))； 2)智能體（Agent）； 3)自然語言處理； 4)智能控制和機器人科學 智能控制的結(jié)構(gòu)理論和研究領(lǐng)域，智能控制系統(tǒng)及應用示例；機器人規(guī)劃、機器視覺和自然語言理解等。?AboutTeachingPlan 實踐：1) 搜索技術(shù)和策略2) 不確定推理技術(shù)3) 專家系統(tǒng)：動物識別系統(tǒng)4) 模式識別技術(shù)5) 調(diào)研： 搜索技術(shù)和策略、不確定推理技術(shù)、統(tǒng)計模式識別、機器學習等四個領(lǐng)域進展報告。?ChapterOne:BriefIntroductiontoArtificialIntelligence1.WhatisAI?人工智能（ArtificialIntelligence,AI）是當前科學技發(fā)展的一門前沿學科，同時也是一門新思想，新觀念，新理論，新技術(shù)不斷出現(xiàn)的新興學科以及正在發(fā)展的學科。它是在計算機科學，控制論，信息論，神經(jīng)心理學，哲學，語言學等多種學科研究的基礎(chǔ)發(fā)展起來的，因此又可把它看作是一門綜合性的邊緣學科。它的出現(xiàn)及所取得的成就引起了人們的高度重視,并取得了很高的評價。有的人把它與空間技術(shù)，原子能技術(shù)一起并譽為20世紀的三大科學技術(shù)成就。?Intelligence智能是知識與智力的總合。 知識——智能行為的基礎(chǔ)； 智力——獲取知識并運用知識求解問題的能力。智能具有以下特征：(1)具有感知能力——指人們通過視覺、聽覺、觸覺、味覺、嗅覺等感覺器官感知外部世界的能力；(2)具有記憶與思維的能力——這是人腦最重要的功能，亦是人之所以有智能的根本原因；(3)具有學習能力及自適應能力；(4)具有行為能力。ArtificialIntelligence人工智能——計算機科學的一個分支，是智能計算機系統(tǒng)，即人類智慧在機器上的模擬，或者說是人們使機器具有類似于人的智慧（對語言能理解、能學習、能推理）。?2.BriefHistoryofAI (1) 孕育（1956年前）古希臘的Aristotle（亞里士多德）（前384-322），給出了形式邏輯的基本規(guī)律。英國的哲學家、自然科學家Bacon（培根）（1561-1626），系統(tǒng)地給出了歸納法。“知識就是力量”德國數(shù)學家、哲學家Leibnitz（布萊尼茨）（1646-1716）。提出了關(guān)于數(shù)理邏輯的思想，把形式邏輯符號化，從而能對人的思維進行運算和推理。做出了能做四則運算的手搖計算機英國數(shù)學家、邏輯學家Boole（布爾）（1815-1864）實現(xiàn)了布萊尼茨的思維符號化和數(shù)學化的思想，提出了一種嶄新的代數(shù)系統(tǒng)——布爾代數(shù)。?美籍奧地利數(shù)理邏輯學家Godel（哥德爾）（1906-1978），證明了一階謂詞的完備性定；任何包含初等數(shù)論的形式系統(tǒng)，如果它是無矛盾的，那么一定是不完備的。意義在于，人的思維形式化和機械化的某種極限，在理論上證明了有些事是做不到的。英國數(shù)學家Turing(圖靈)（1912-1954）,1936年提出了一種理想計算機的數(shù)學模型（圖靈機），1950年提出了圖靈試驗，發(fā)表了“計算機與智能”的論文。圖靈獎。美國數(shù)學家Mauchly，1946發(fā)明了電子數(shù)字計算機ENIAC美國神經(jīng)生理學家McCulloch，建立了第一個神經(jīng)網(wǎng)絡數(shù)學模型。美國數(shù)學家Shannon（香農(nóng)）,1948年發(fā)表了《通訊的數(shù)學理論》，代表了“信息論”的誕生。? (2) 形成（1956-1969）1956年提出了“ArtificialIntelligence（人工智能）”1956年夏由麻省理工學院的J.McCarthy、M.L.Minsky,IBM公司信息研究中心的N.Rochester,貝爾實驗室的C.E.Shannon共同發(fā)起，邀請了Moore,Samuel,Selfridge,Solomonff,Simon,Newell等人，10位數(shù)學家、信息學家、心理學家、神經(jīng)生理學家、計算機科學家，在Dartmouth大學召開了一次關(guān)于機器智能的研討會，會上McCarthy提議正式采用了ArtificialIntelligence（人工智能）這一術(shù)語。這次會議，標志著人工智能作為一門新興學科正式誕生了。 McCarthy（麥卡錫）——人工智能之父。這次會議之后的10年間，人工智能的研究取得了許多引人矚目的成就.機器學習方面：塞繆爾于1956年研制出了跳棋程序，該程序能從棋譜中學習，也能從下棋實踐中提高棋藝；?在定理證明方面：王浩于1958年在IBM機上證明了《數(shù)學原理》中有關(guān)命題演算的全部定理（220條），還證明了謂詞演算中150條定理85%；1965年，魯賓遜（Robinson）提出了消解原理；在模式識別方面：1959年塞爾夫里奇推出了一個模式識別程序；1965年羅伯特（Robert）編制出可辨別積木構(gòu)造的程序；在問題求解方面：1960年紐厄爾等人通過心理學試驗總結(jié)出了人們求解問題的思維規(guī)律，編制了通用問題求解程序GPS,可以用來求解11種不同類型的問題；在專家系統(tǒng)方面：斯坦福大學的費根鮑姆（E.A.Feigenbaum）自1965年開始進行專家系統(tǒng)DENDRAL（化學分析專家系統(tǒng)），1968年完成并投入使用；在人工智能語言方面：1960年McCarthy等人建立了人工智能程序設計語言Lisp，該語言至今仍是建造智能系統(tǒng)的重要工具；1969年成立了國際人工智能聯(lián)合會議（InternationalJointConferencesOnArtificialIntelligence）? (3) 發(fā)展（1970年以后）70年代，開始從理論走向?qū)嵺`，解決一些實際問題。同時很快就發(fā)現(xiàn)問題：歸結(jié)法費時、下棋贏不了全國冠軍、機器翻譯一團糟。以Feigenbaum為首的一批年輕科學家改變了戰(zhàn)略思想，1977年提出知識工程的概念，以知識為基礎(chǔ)的專家咨詢系統(tǒng)開始廣泛的應用。著名專家系統(tǒng)的有：DENDRAL化學分析專家系統(tǒng)（斯坦福大學1968）MACSYMA符號數(shù)學專家系統(tǒng)（麻省理工1971）MYCIN診斷和治療細菌感染性血液病的專家咨詢系統(tǒng)（斯坦福大學1973）CASNET(CausalASsciationalNetwork)診斷和治療青光眼的專家咨詢系統(tǒng)（拉特格爾斯（Rutgers）大學70年代中）CADUCEUS(原名INTERNIST)醫(yī)療咨詢系統(tǒng)（匹茲堡大學）；HEARSAYI和II語音理解系統(tǒng)（卡內(nèi)基-梅隆大學）PROSPECTOR地質(zhì)勘探專家系統(tǒng)（斯坦福大學1976）XCON計算機配置專家系統(tǒng)（卡內(nèi)基-梅隆大學1978）??80年代，人工智能發(fā)展達到階段性的頂峰。?87,89年世界大會有６－７千人參加。硬件公司有上千個。并進行Lisp硬件、Lisp機的研究。?在專家系統(tǒng)及其工具越來越商品化的過程中,國際軟件市場上形成了一門旨在生產(chǎn)和加工知識的新產(chǎn)業(yè)——知識產(chǎn)業(yè)。應該說，知識工程和專家系統(tǒng)是近十余年來人工智能研究中最有成就的分支之一。?同年代，1986年Rumlhart領(lǐng)導的并行分布處理研究小組提出了神經(jīng)元網(wǎng)絡的反向傳播學習算法，解決了神經(jīng)網(wǎng)絡的根本問題之一。從此，神經(jīng)網(wǎng)絡的研究進入新的高潮。?90年代，計算機發(fā)展趨勢為小型化、并行化、網(wǎng)絡化、智能化。?人工智能技術(shù)逐漸與數(shù)據(jù)庫、多媒體等主流技術(shù)相結(jié)合，并融合在主流技術(shù)之中，旨在使計算機更聰明、更有效、與人更接近。?日本政府于1992年結(jié)束了為期十年的稱為“知識信息處理體統(tǒng)”的第五代計算機系統(tǒng)研究開發(fā)計劃。并開始了為期十年的實況計算（RealWordComputing）計劃。?3.ResearchObjectsandMainContents

(1)人工智能的研究目標

人工智能的長期研究目標：構(gòu)造智能計算機。

人工智能的近期研究目標：使現(xiàn)有的電子計算機更聰明，更有用，使它不僅能做一般的數(shù)值計算及非數(shù)值信息的數(shù)據(jù)處理，而且能運用知識處理問題，能模擬人類的部分智能行為。?(2)人工智能研究的基本內(nèi)容

1.機器感知以機器視覺與機器聽覺為主。機器感知是機器獲取外部信息的基本途徑，是使機器具有智能不可或缺的組成部分，對此人工智能中已形成兩個專門的研究領(lǐng)域——

模式識別和自然語言理解。2.機器思維指通過感知的外部信息及機器內(nèi)部的各種工作信息進行有目的的處理。主要開展以下幾方面的研究：(1)知識表示(2)知識的組織，累計，管理技術(shù)(3)知識的推理(4)各種啟發(fā)式搜索及控制策略(5)神經(jīng)網(wǎng)絡，人腦的結(jié)構(gòu)及其工作原理?3.機器學習

使計算能自動獲取知識，能直接向書本學習，能通過與人談話學習，能通過對環(huán)境的觀察學習，并能在實踐中自我完善。4.機器行為機器行為主要指計算機的表達能力，即“說”、“寫”、“畫”等，對智能機器人，還應該有人的四肢功能，即能走路，能取物，能操作等。5.智能系統(tǒng)及智能計算機的構(gòu)造技術(shù)?4.ResearchObjectsandMainContents人工智能面世以來，其研究途徑存在兩種不同的觀點：以符號處理為核心的方法——主張通過運用計算機科學的方法進行研究，實現(xiàn)人工智能在計算機的模擬。以網(wǎng)絡連接為主的連接機制方法——主張用生物學的方法進行研究，搞清楚人類智能的本質(zhì)。(1)以符號處理為核心的方法該方法起源于紐厄爾等人的通用問題求解系統(tǒng)（GPS），用于模擬人類求解問題的心理過程，逐漸形成為物理符號系統(tǒng)，這種方法認為： 人類研究的目標是實現(xiàn)機器智能，而計算機自身具有符號處理能力，這種能力本身就蘊含著演繹推理的內(nèi)涵，因而可通過運行相應的程序來體現(xiàn)某種基于邏輯思維的智能行為，達到模擬人類智能活動的效果。目前人工智能的大部分研究成果都是基于這種方法實現(xiàn)的。?

該方法的主要特征是：

?立足于邏輯運算和符號操作，適合于模擬人的邏輯思維過程，解決需要進行邏輯推理的復雜問題；

?知識可用顯式的符號表示；

?便于模塊化；?能與傳統(tǒng)的符號數(shù)據(jù)庫鏈接；?可對推理結(jié)論做出解釋，便于對各種可能性進行選擇。

但該方法不適合于形象思維；而且在用符號表示概念時其有效性在很大程度上取決于符號表示的正確性，且對帶噪聲的信息及不完整的信息難以處理。(2)以網(wǎng)絡連接為主的連接機制方法該方法是在人腦神經(jīng)元及其相互連接而成網(wǎng)絡的啟示下，試圖通過多人工神經(jīng)元間的并行協(xié)同作用來實現(xiàn)對人類智能的模擬。該方法認為：大腦是人類一切智能活動的基礎(chǔ)，因而從大腦神經(jīng)元及其連接機制著手進行研究，搞清楚大腦的結(jié)構(gòu)及它進行信息處理的過程及機理，可望揭示人類智能的奧秘，從而真正實現(xiàn)人類智慧在機器上的模擬。?該方法的主要特征：?通過神經(jīng)元之間的并行協(xié)同作用實現(xiàn)信息處理，處理過程具有并行性、動態(tài)性、全局性；?通過神經(jīng)元間分布式的物理聯(lián)系存儲知識和信息，因而可以實現(xiàn)聯(lián)想功能，對于帶有噪聲、缺損、變形的信息能進行有效地處理。近期的一些研究表明，該方法在模式識別、圖像信息壓縮等方面取得了一些研究成果；?通過神經(jīng)元間連接強度的動態(tài)調(diào)整來實現(xiàn)對人類學習、分類等的模擬；?適合于模擬人類的形象思維過程；?求解問題時，可以比較快地球的一個近似解。該方法不適合于模擬人的邏輯思維過程，而且就目前神經(jīng)網(wǎng)絡的研究現(xiàn)狀來看，由固定的體系結(jié)構(gòu)與組成方案所構(gòu)成的系統(tǒng)