人工智能课程论文.docx
- 文档编号:10878419
- 上传时间:2023-05-28
- 格式:DOCX
- 页数:12
- 大小:165.92KB
人工智能课程论文.docx
《人工智能课程论文.docx》由会员分享,可在线阅读,更多相关《人工智能课程论文.docx(12页珍藏版)》请在冰点文库上搜索。
人工智能课程论文
人工智能课程论文
题目:
人工智能:
用科学解密生命与智慧
姓名:
学号:
指导老师:
摘要
本文是对人工智能及其应用的一个综述。
首先介绍了人工智能的理论基础以其与人类智能的区别和联系。
然后简要介绍了人工智能的发展现状以及未来趋势,并列举了一些人工智能在生活中的应用。
对人工智能的一个热门分支——神经计算进行了着重介绍,人工神经网络通过模拟人脑的学习机制,将人工智能的重点从符号表示可靠的推理策略问题转化到学习和适应的问题,描述了其在字符识别问题上的实际应用。
一,人工智能与人类智能 4
1, 什么是智能?
4
2, 机器智能不等同于人类智能 5
二,人工智能当前进展 6
三,人工智能在生活中的应用 7
四,人工智能的前沿分支:
神经计算 9
1, 人工神经网络:
从大脑得到灵感 9
2, 神经网络应用实例:
基于Deepautoencoder的字符图像识别 10
五,人工智能未来发展趋势 12
小结 13
参考文献 14
一,人工智能与人类智能
人工智能(ArtificialIntelligence,AI)是计算机科学的一个分支,它关心智能行为的自动化。
AI是计算机科学的一部分,因而必须建立在坚实的理论知识之上并应用于计算机科学领域。
它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
1,什么是智能?
虽然大多数人确信看到智能行为是能判断它是智能的,但是似乎没有人能够使“智能”的定义既足够又具体以评估计算机程序的智能性,同时又反映了人类意识的生动性和复杂性。
这样实现一般智能就是塑造特定智能的人工制品。
这些制品通常以诊断、预测或可视化工具实现,能够使得人类使用者完成复杂的任务。
例如:
用语言理解的马尔可夫模型,提供新数学理论的自动推理系统,通过大脑皮层网跟踪信号的动态贝叶斯网络,以及基因表达的数据模式的可视化,等等。
因此,定义人工智能完全领域的问题就变成了定义智能本身的问题:
智能是一种独立的才能,还是一系列独一无二且不相关的能力的总称?
在多大程度上可以说智能是学到的不是预先存在的?
准确的说,学习时发生什么?
什么是创造力?
什么是直觉?
智能是从可观察行为推断出的,还是需要特定内部机制的证据?
在一个生物体的神经组织中,知识是以何种方式表示的?
什么是自觉,它在智能中起着怎样的作用?
另外,有必要按照已知的人类智能模式来设计智能计算机程序吗?
智能实体是不是需要只有在生物中存在的丰富感受和经历?
这一系列的问题很难回答,但这些问题帮助我们勾勒出现代人工智能研究的核心问题以及求解方法。
实际上,人工智能提供了一种独特而强大的工具来精确探索这些问题。
AI为智能理论提供了一种媒介和实验台:
首先用计算机程序语言表达出这些理论,然后在实际计算机上执行来进行测试和验证。
2,机器智能不等同于人类智能
玛丽·雪莱在她的《弗兰肯斯坦》一书的序言中这样写道:
大多是拜伦勋爵和雪莱之间的对话,而我只是一个虔诚、安静的听众。
其中有一次,他们讨论了各种哲学学说,以及有关生命原理的问题,并且谈到这些原理有否可能曾被发现和讨论过。
他们谈及了达尔文博士的实验(我不能确认达尔文博士是否真正做过这个实验,我只是说当时有人讲他做过这样的实验),他把一段蠕虫(vermicelli)储藏在玻璃罐中,在采取了一些特殊方法之后,它开始自发运动。
难道生命不是这样形成的吗?
或许死尸还可能复活;流电电流实验已经让我们看到了这样的迹象:
生命体的组成部分可以被制造、组合并注入活力(Butler1998)。
玛丽·雪莱告诉我们,诸如达尔文的进化论和发现电流这样的科学进步已经使普通民众相信:
自然法则并非奥妙无穷,而是可以被系统分析和理解的。
弗兰肯斯坦的魔鬼并不是“萨满教”咒语或与地狱可怕交易的产物;而是由一个个单独“制造”的部件组装起来的,并且被注入了强大的电能。
尽管19世纪的科学还不足以使人认识到理解和创造一个完全智能主体的意义,但它至少加深了这样的认识:
生命和智慧的奥秘可以被纳入到科学分析中。
也就是说,人可以让机器拥有所谓的“智能”。
[1]
1936年,哲学家阿尔弗雷德·艾耶尔思考心灵哲学问题:
我们怎么知道其他人曾有同样的体验。
在《语言,真理与逻辑》中,艾尔建议有意识的人类及无意识的机器之间的区别。
1950年,图灵发表了一篇划时代的论文,文中预言了创造出具有真正智能的机器的可能性[1]。
由于注意到“智能”这一概念难以确切定义,他提出了著名的图灵测试:
如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器具有智能。
这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。
论文中还回答了对这一假说的各种常见质疑。
[2] 图灵测试是人工智能哲学方面第一个严肃的提案。
1952年,在一场BBC广播中,图灵谈到了一个新的具体想法:
让计算机来冒充人。
如果不足70%的人判对,也就是超过30%的裁判误以为在和自己说话的是人而非计算机,那就算作成功了。
2014年6月8日,一台计算机成功让人类相信它是一个13岁的男孩,成为有史以来首台通过图灵测试的计算机。
这被认为是人工智能发展的一个里程碑事件,但专家警告称,这项技术可用于网络犯罪。
[3-5] 。
尽管图灵测试具有直观上的吸引力,图灵测试还是受到了很多无可非议的批评。
其中一个重要的质疑时它偏向于纯粹的符号求解任务。
它并不测试感知技能或要实现手工灵活性所需的能力,而这些都是人类智能的重要组成部分。
另一方面,有人提出图灵测试没有必要把机器智能强行套入人类智能的模具之中。
人工智能或许本就不同于人类智能,我们并不希望一台机器做数学题像人类一样又慢又不准,我们希望的是它自身有点的最大化,比如快速准确的处理数据,长久的存储数据,没有必要模仿人类的认知特征。
但是,人工智能中一部分主要的研究着偏重于研究对人类智能的理解。
人们为智能活动提供了一种原型实例,一些应用(比如诊断理解)通常有意地将模型建立在该领域的权威专家的解决过程上。
更为重要的是,理解人类智能本身就是一个吸引人的、有待研究的科学挑战。
二,人工智能当前进展
1问题的求解
人工智能中的问题解求,就是如何让机器去解决人类会遇到的问题,如何根据某一具体问题找到思考问题并解决这个问题的方法。
目前,人工智能技术已经可以通过计算机程序解决了如何考虑要解决的问题,并能寻求较为准确的解决方案。
2逻辑的推理与定理的证明
人工智能研究中最持久的探究领域之一就是逻辑推理。
有关定理的证明就是让机器证明非数值性的真假。
其中比较重要的是,通过找到合理、准确的方法,集中注意力在大型数据库中的有效事实,关注可信度证明,并在出现新信息时适时修改这些证明。
[2]
3人工智能应用之自然语言的处理
智能的另一表现就是进行自然语言的交流,自然语言处理就是让机器与人类进行无阻碍的沟通,这正是人工智能技术应用于实际领域的典型范例。
目前此领域的主要研究内容是:
如何利用计算机系统以主题和对话情境为基础,生成和理解自然语言。
[3]
4人工智能应用之模式的识别
如何使机器具有感知能力也是智能的表现。
模式的识别是利用人工智能技术开发智能机器的关键,主要是通过计算机用数学技术方法来研究模式的自动处理和判读,让计算机实现“看见”,“听见”等功能。
计算机模式识别的主要特点是速度快,准确率高,效率高,计算机模式识别也为人类认识自身智能提供了有利帮助。
5人工智能应用之智能信息的检索技术
在科学技术飞速发展的今天,人类已进入了“知识爆炸”的时代。
传统检索系统已经满不足了对如今如此数量巨大以及种类繁多的文献检索要求。
人工智能科技持续稳定发展的重要前提就是智能检索模块,可以说,智能信息的检索技术的运用势在必行。
6人工智能应用之专家系统
我们常说的专家系统就是指从人类专家那里获取的知识,并用来解决只有专家才能解决的疑难问题。
这是一种基于知识的系统,从而也被称为知识基系统。
专家系统是人工智能技术中研究最活跃,最有成效的一个领域。
现在的专家系统尤其特殊的模仿了专家在处理故障时的思维方式,其水平有时甚至可以超过人类专家的水平。
7人工智能应用之机器人学
机器人对我们并不陌生,已在多个领域获得了越来越普遍的应用,诸如农业、工业、商业、旅游业、航空和海洋等。
那么,机器人学所研究的问题主要包括从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法。
机器人和机器人学的研究对人工智能思想的发展都起到了促进作用。
三,人工智能在生活中的应用
●计算机科学
人工智能产生了许多方法解决计算机科学最困难的问题。
它们的许多发明已被主流计算机科学采用,而不认为是AI的一部份。
下面所有内容原在AI实验室发展:
时间分配,介面演绎员,图解用户介面,计算机鼠标,快发展环境,联系表数据结构,自动存储管理,符号程序,功能程序,动态程序,和客观指向程序。
[3]
●金融
银行用人工智能系统组织运作,金融投资和管理财产。
2001年8月在模拟金融贸易竞赛中机器人战胜了人。
金融机构已长久用人工神经网络系统去发觉变化或规范外的要求,银行使用协助顾客服务系统;帮助核对帐目,发行信用卡和恢复密码等。
●医院和医药
医学临床可用人工智能系统组织病床计划;并提供医学信息。
人工神经网络用来做临床诊断决策支持系统。
计算机帮助解析医学图像。
这样系统帮助扫描数据图像,从计算X光断层图发现疾病,典型应用是发现肿块、心脏声音分析。
●重工业
在工业中已普遍应用机器人。
它们常做对人是危险的工作。
全世界日本是利用和生产机器人的先进国;1999年世界范围使用1,700,000台机器人。
●顾客服务
人工智能是自动上线的好助手,可减少操作,使用的主要是自然语言加工系统。
呼叫中心的回答机器也用类似技术,如语言识别软件可使计算机的顾客较好操作。
●运输
汽车的变速箱已使用模糊逻辑控制器。
●运程通讯
许多运程通讯公司正研究管理劳动力的机器;如BT组研究可管20000工程师的机器。
●玩具和游戏
1990年企图用基本人工智能大量为教育和消遣生产民用产品。
现在,大众在生活的许多方面都在应用人工智能技术。
●音乐
技术常会影晌音乐的进步,科学家想用人工智能技术尽量赶上音乐家的活动;现正集中在研究作曲,演奏,音乐理论,声音加工等。
四,人工智能的前沿分支:
神经计算
1,人工神经网络:
从大脑得到灵感
神经计算科学是从信息科学的角度来研究如何加速神经网络模仿和延伸人脑的高级精神活动,如联想、记忆、推理、思维及意识等智能行为。
这涉及到脑科学、认知科学,神经生物学、非线性科学、计算机科学、数学、物理学诸学科的综合集成。
它是综合研究和实现类脑智能信息系统的一个新思想和新策略。
[6]
深度学习的概念源于人工神经网络的研究。
含多隐层的多层感知器就是一种深度学习结构。
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
一个神经网络的结构示意图如图1所示
图1 神经网络的结构示意图
神经网络将人工智能的重点从符号表示和可靠的推理策略问题转移到学习和适应的问题。
同人和其他动物一样,神经网络是适应世界的一种机制:
经过训练的神经网络结果是通过学识形成的。
这种网络是通过和世界交互形成的,通过经验的不明确痕迹反映出来。
神经网络的这种途径对我们理解智能起了极大的作用。
人工神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉,如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
人工神经网络与其它传统方法相结合,将推动人工智能和信息处理技术不断发展。
近年来,人工神经网络正向模拟人类认知的道路上更加深入发展,与模糊系统、遗传算法、进化机制等结合,形成计算智能,成为人工智能的一个重要方向,将在实际应用中得到发展。
将信息几何应用于人工神经网络的研究,为人工神经网络的理论研究开辟了新的途径。
神经计算机的研究发展很快,已有产品进入市场。
光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络在很多领域已得到了很好的应用,但其需要研究的方面还很多。
其中,具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统,已经成为一大研究热点。
由于其他方法也有它们各自的优点,所以将神经网络与其他方法相结合,取长补短,继而可以获得更好的应用效果。
目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。
2,神经网络应用实例:
基于Deepautoencoder的字符图像识别
深度信念网络(DeepBeliefNetwork,DBN)[7]由GeoffreyHinton在2006年提出。
它是一种生成模型,通过训练其神经元间的权重,我们可以让整个神经网络按照最大概率来生成训练数据。
我们不仅可以使用DBN识别特征、分类数据,还可以用它来生成数据。
DBN由多层神经元构成,这些神经元又分为显性神经元和隐性神经元(以下简称显元和隐元)。
显元用于接受输入,隐元用于提取特征。
因此隐元也有个别名,叫特征检测器 (featuredetectors)。
最顶上的两层间的连接是无向的,组成联合内存 (associativememory)。
较低的其他层之间有连接上下的有向连接。
最底层代表了数据向量 (datavectors),每一个神经元代表数据向量的一维。
DBN是由多层RBM组成的一个神经网络,它既可以被看作一个生成模型,也可以当作判别模型,其训练过程是:
使用非监督贪婪逐层方法去预训练获得权值。
训练过程:
1.首先充分训练第一个RBM;
2.固定第一个RBM的权重和偏移量,然后使用其隐性神经元的状态,作为第二个RBM的输入向量;
3.充分训练第二个RBM后,将第二个RBM堆叠在第一个RBM的上方;
4.重复以上三个步骤任意多次;
5.如果训练集中的数据有标签,那么在顶层的RBM训练时,这个RBM的显层中除了显性神经元,还需要有代表分类标签的神经元,一起进行训练:
a)假设顶层RBM的显层有500个显性神经元,训练数据的分类一共分成了10类;
b)那么顶层RBM的显层有510个显性神经元,对每一训练训练数据,相应的标签神经元被打开设为1,而其他的则被关闭设为0。
6.DBN被训练好后如下图:
图2训练好的深度信念网络。
图中的绿色部分就是在最顶层RBM中参与训练的标签。
注意调优(FINE-TUNING)过程是一个判别模型
调优过程(Fine-Tuning):
生成模型使用ContrastiveWake-Sleep算法进行调优,其算法过程是:
1.除了顶层RBM,其他层RBM的权重被分成向上的认知权重和向下的生成权重;
2.Wake阶段:
认知过程,通过外界的特征和向上的权重(认知权重)产生每一层的抽象表示(结点状态),并且使用梯度下降修改层间的下行权重(生成权重)。
也就是“如果现实跟我想象的不一样,改变我的权重使得我想象的东西就是这样的”。
3.Sleep阶段:
生成过程,通过顶层表示(醒时学得的概念)和向下权重,生成底层的状态,同时修改层间向上的权重。
也就是“如果梦中的景象不是我脑中的相应概念,改变我的认知权重使得这种景象在我看来就是这个概念”。
在附件中提供了程序代码。
实验利用MNIST字符图像,验证该方法的特征提取与识别能力。
五,人工智能未来发展趋势
科学技术是第一生产力,但技术的发展往往是远远超越我们的想象。
就目前的一些前瞻性研究可以看出,未来人工智能技术的发展有如下几大趋势:
1问题求解
问题求解一般包括两种,一种是指解决管理活动中由于意外引起的非预期效应或与预期效应之间的偏差。
正在逐渐发展成为搜索和问题归约这类人工智能的基本技术;另一种问题的求解程序,是把各种数学公式符号汇编在一起。
其性能已达到非常高的水平,并正在被许多工程师和科学家应用,甚至还有些程序能够用经验来改善其性能。
2机器学习
人工智能研究的核心课题之一就是机器学习。
我们知道学习是人类智能的重要特征,那么机器学习就是指机器自动获取知识的过程。
机器学习是机器获取知识的根本途径,也是机器智能的重要标志。
计算机的机器学习主要研究内容为如何让计算机模拟或实现人类的学习能力。
今后机器学习的研究主要是研究人脑思维的过程、人类学习的机理等。
3模式识别
用计算机实现模式(文字、声音、人物、物体等)的自动识别,弥补计算机对外部世界感知能力低下的缺陷,使计算机能够通过感官接受外界信息,识别和理解周围环境。
依然是人工智能技术今后研究的重要方向。
因为模式识别能为人类认识自身智能提供线索,也是开发智能机器的一个最关键的突破口。
目前计算机模式识别系统的研究热点主要为三维景物、活动目标的识别和分析方面。
传统的用统计模式和结构模式的识别方法将会被近年来迅速发展起来的模糊数学模式、人工神经网络模式的方法逐渐取代,特别是神经网络方法在模式识别中取得较大进展。
4专家系统
专家系统是根据某领域中一个或多个专家提供的知识或经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题的智能软件,它是一个具有大量的专门知识与经验的程序系统。
目前各种专家系统已遍布各个专业领域,因此专家系统还将是人工智能应用研究最广泛和最活跃的应用领域之一。
5人工神经网络
人工神经网络,常被简称为神经网络或类神经网络。
是未来人工智能应用的新领域,人工神经网络是指由大量处理单元(神经元)互连而成的网络。
人工神经网络具有很强的自学习能力,主要擅长处理复杂的多维的非线性问题,不但可以解决定量的问题,还可以解决定性的问题,同时人工神经网络还具有大规模并行处理和分布的信息存储能力。
或许未来智能计算机的结构可能就是作为主机的冯?
诺依曼型机与作为智能外围的人工神经网络的结合。
小结
人工智能是一个年轻而充满希望的研究领域,其宗旨是寻找一种有效的方式把智能问题求解、规划和通信技巧应用在更广泛的实际问题中。
人工智能的工作者是工具的制造者。
我们的表示、算法和语言都是一些工具,用来设计和建立那些展现智能行为的机制。
通过实验,我们同时检验了它们解决问题的计算合适性,也检验了我们对智能现象的理解。
然而,人工智能仍有很多尚待解答的问题,需要探索和研究。
参考文献
[1]Artificial intelligence - structures and strategies forcomplexproblemsolving(2.ed.)[M].GeorgeF.Luger,2008
[2]杨恒.计算机人工智能技术研究进展和应用分析[J].信息通信,2014,
(1).
[3]杨焱.人工智能技术的发展趋势研究[J].信息与电脑:
理论版,2012,(8).
[4]张钹.近十年人工智能的进展[J].模式识别与人工智能,1995.
[5]张钹,陆玉昌,张再兴.人工智能的发展及面临的问题[J].机器人,1985,(3).
[6]人工神经网络原理及仿真实例(第2版),高隽,机械工业出版社,2007.
[7]Hinton,G.E.andSalakhutdinov,R.R.Reducingthedimensionalityofdatawithneuralnetworks.Science,Vol.313.no.5786,pp.504-507,28July2006.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 课程 论文