人工智能學習心得

目錄

第一篇：人工智能學習心得第二篇：人工智能學習論文第三篇：《人工智能》學習報告第四篇：對人工智能學習的感想第五篇：人工智能學習更多相關範文

正文

第一篇：人工智能學習心得

人工智能學習心得

對人工智能的理解

通過這學期的學習，我對人工智能有了一定的感性認識，個人覺得人工智能是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的複雜工作。 人工智能的定義可以分爲兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智能的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。關於什麼是“智能”，就問題多多了。這涉及到其它諸如意識、自我、思維等等問題。人唯一瞭解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智能”了。關於人工智能一個大家比較容易接受的定義是這樣的： 人工智能是人造的智能,是計算機科學、邏輯學、認知科學交叉形成的一門科學，簡稱ai。

人工智能的發展歷史大致可以分爲這幾個階段：

第一階段：50年代人工智能的興起和冷落

人工智能概念首次提出後，相繼出現了一批顯著的成果，如機器定理證明、跳棋程序、通用問題s求解程序、lisp表處理語言等。但由於消解法推理能力的有限，以及機器翻譯等的失敗，使人工智能走入了低谷。

第二階段：60年代末到70年代，專家系統出現，使人工智能研究出現新高潮。 dendral化學質譜分析系統、mycin疾病診斷和治療系統、prospectior探礦系統、hearsay-ii語音理解系統等專家系統的研究和開發，將人工智能引向了實用化。並且，1969年成立了國際人工智能聯合會議

第三階段：80年代，隨着第五代計算機的研製，人工智能得到了很大發展。 日本1982年開始了”第五代計算機研製計劃”，即”知識信息處理計算機系統kips”，其目的是使邏輯推理達到數值運算那麼快。雖然此計劃最終失敗，但它的開展形成了一股研究人工智能的熱潮。

第四階段：80年代末，神經網絡飛速發展。

1987年，美國召開第一次神經網絡國際會議，宣告了這一新學科的誕生。此後，各國在神經網絡方面的投資逐漸增加，神經網絡迅速發展起來。

第五階段：90年代，人工智能出現新的研究高潮

由於網絡技術特別是國際互連網的技術發展，人工智能開始由單個智能主體研究轉向基於網絡環境下的分佈式人工智能研究。不僅研究基於同一目標的分佈式問題求解，而且研究多個智能主體的多目標問題求解，將人工智能更面向實用。另外，由於hopfield多層神經網絡模型的提出，使人工神經網絡研究與應用出現了欣欣向榮的景象。人工智能已深入到社會生活的各個領域。

對人工智能對世界的影響的感受及未來暢想

最近看了電影《黑客帝國》一系列，對其中的科幻生活有了很大的興趣，不覺有了疑問：現在的世界是否會如電影中一樣呢？人工智能的神話是否會發生

在當前社會中的呢 ？

在黑客帝國的世界裏，程序員成爲了耶穌，控制着整個世界，黑客帝國之所以成爲經典，我認爲，不是因爲飛來飛去的超級人物，而是因爲她暗自揭示了一個人與計算機世界的關係，一個發展趨勢。誰知道200年以後會不會是智能機器統治了世界？

人類正向信息化的時代邁進，信息化是當前時代的主旋律。信息抽象結晶爲知識，知識構成智能的基礎。因此，信息化到知識化再到智能化，必將成爲人類社會發展的趨勢。人工智能已經並且廣泛而有深入的結合到科學技術的各門學科和社會的各個領域中，她的概念，方法和技術正在各行各業廣泛滲透。而在我們的身邊，智能化的例子也屢見不鮮。在軍事、工業和醫學等領域中人工智能的應用已經顯示出了它具有明顯的經濟效益潛力，和提升人們生活水平的最大便利性和先進性。

智能是一個寬泛的概念。智能是人類具有的特徵之一。然而，對於什麼是人類智能（或者說智力），科學界至今還沒有給出令人滿意的定義。有人從生物學角度定義爲“中樞神經系統的功能”，有人從心理學角度定義爲“進行抽象思維的能力”，甚至有人同義反復地把它定義爲“獲得能力的能力”，或者不求甚解地說它“就是智力測驗所測量的那種東西”。這些都不能準確的說明人工智能的確切內涵。

雖然難於下定義，但人工智能的發展已經是當前信息化社會的迫切要求，同時研究人工智能也對探索人類自身智能的奧祕提供有益的幫助。所以每一次人工智能技術的進步都將帶動計算機科學的大跨步前進。如果將現有的計算機技術、人工智能技術及自然科學的某些相關領域結合，並有一定的理論實踐依據，計算機將擁有一個新的發展方向。

個人覺得研究人工智能的目的，一方面是要創造出具有智能的機器，另一方面是要弄清人類智能的本質，因此，人工智能既屬於工程的範疇，又屬於科學的範疇。通過研究和開發人工智能，可以輔助，部分替代甚至拓寬人類的智能，使計算機更好的造福人類。

人工智能研究的近期目標；是使現有的計算機不僅能做一般的數值計算及非數值信息的數據處理，而且能運用知識處理問題，能模擬人類的部分智能行爲。按照這一目標，根據現行的計算機的特點研究實現智能的有關理論、技術和方法，建立相應的智能系統。例如目前研究開發的專家系統，機器翻譯系統、模式識別系統、機器學習系統、機器人等。隨着社會的發展，技術的進步，人工智能的發展是任何人都無法想象的。通過對人工智能的學習，以及與所聽所見所聞的結合，我大膽的對未來人工智能的發展做出了以下拙劣的猜想：

一，融合階段（2014—2014年）：

1、在某些城市，立法機關將主要採用人工智能專家系統來制定新的法律。

2、人們可以用語言來操縱和控制智能化計算機、互聯網、收音機、電視機和移動電話，遠程醫療和遠程保健等遠程服務變得更爲完善。

3、智能化計算機和互聯網在教育中扮演了重要角色，遠程教育十分普及。

4、隨着信息技術、生物技術和納米技術的發展，人工智能科學逐漸完善。

5、許多植入了芯片的人體組成了人體通信網絡（以後甚至可以不用植入任何芯片）。比如，將微型超級計算機植入人腦，人們就可通過植入的芯片直接進行通信。

6、抗病毒程序可以防止各種非自然因素引發災難。

7、隨着人工智能的加速發展，新制定的法律不僅可以用來更好地保護人類健康，而且能大幅度提高全社會的文明水準。比如，法律可以保護人們免受電磁煙霧的侵害，可以規範家用機器人的使用，可以更加有效地保護數據，可以禁止計算機合成技術在一些文化和藝術方面的應用（比如禁止合成電視名人），可以禁止編寫具有自我保護意識的計算機程序。

三、自我發展階段（2014—2014年）：

1、智能化計算機和互聯網既能自我修復，也能自行進行科學研究，還能自己生產產品。

2、一些新型材料的出現，促使智能化向更高層次發展。

3、用可植入芯片實現人類、計算機和鯨目動物之間的直接通信，在以後的發展中甚至不用植入芯片也可實現此項功能。

4、制定“機器人法”等新的法律來約束機器人的行爲，使人們不受機器人的侵害。

5、高水準的智能化技術可以使火星表面環境適合人類居住和發展。

四、昇華階段（2014—2014年）：

1、信息化的世界進一步發展成全息模式的世界。

2、人工智能系統可從環境中採集全息信息，身處某地的人們可以更容易地瞭解和知曉其他地方的情況。

3、人們對一些目前無法解釋的自然現象會有更清楚的認識和更完善的解釋，並將這些全新的知識應用在醫療、保健和安全等領域。

4、人工智能可以模仿人類的智能，因此會出現有關法律來規範這些行爲。 人工智能一但擁有長足的進步，必將帶動其他計算機技術的發展。 網絡化將虛擬的世界變得無限大，屆時，足不出戶將成爲一種習慣。人工智能必將帶動人類的發展，起到決定性作用。

雖然不知道其中有多少在未來會得到實現，但也算是我通過對人工智能的學習所收穫的總結。人工智能的繁榮景象和光明前景已展示出其誘人的魅力， 讓我們一起期待未來的世界吧，一個全新的人工智能世界。

第二篇：人工智能學習論文

20147932唐雪琴

人工智能研究最新進展綜述

一、 研究領域

在大多數數學科中存在着幾個不同的研究領域，每個領域都有着特有的感興趣的研究課題、研究技術和術語。在人工智能中，這樣的領域包括自然語言處理、自動定理證明、自動程序設計、智能檢索、智能調度、機器學習、專家系統、機器人學、智能控制、模式識別、視覺系統、神經網絡、agent、計算智能、問題求解、人工生命、人工智能方法、程序設計語言等。

在過去50多年裏，已經建立了一些具有人工智能的計算機系統；例如，能夠求解微分方程的，下棋的，設計分析集成電路的，合成人類自然語言的，檢索情報的，診斷疾病以及控制控制太空飛行器、地面移動機器人和水下機器人的具有不同程度人工智能的計算機系統。人工智能是一種外向型的學科，它不但要求研究它的人懂得人工智能的知識，而且要求有比較紮實的數學基礎，哲學和生物學基礎，只有這樣纔可能讓一臺什麼也不知道的機器模擬人的思維。因爲人工智能的研究領域十分廣闊，它總的來說是面向應用的，也就說什麼地方有人在工作，它就可以用在什麼地方，因爲人工智能的最根本目的還是要模擬人類的思維。參照人在各種活動中的功能，我們可以得到人工智能的領域也不過就是代替人的活動而已。哪個領域有人進行的智力活動，哪個領域就是人工智能研究的領域。人工智能就是爲了應用機器的長處來幫助人類進行智力活動。人工智能研究的目的就是要模擬人類神經系統的功能。

二、 各領域國內外研究現狀（進展成果） 近年來，人工智能的研究和應用出現了許多新的領域，它們是傳統人工智能的延伸和擴展。在新世紀開始的時候，這些新研究已引起人們的更密切關注。這些新領域有分佈式人工智能與艾真體（agent）、計算智能與進化計算、數據挖掘與知識發現，以及人工生命等。下面逐一加以概略介紹。

1、分佈式人工智能與艾真體

分佈式人工智能（distributed ai，dai）是分佈式計算與人工智能結合的結果。dai系統以魯棒性作爲控制系統質量的標準，並具有互操作性，即不同的異構系統在快速變化的環境中具有交換信息和協同工作的能力。

分佈式人工智能的研究目標是要創建一種能夠描述自然系統和社會系統的精確概念模型。dai中的智能並非獨立存在的概念，只能在團體協作中實現，因而其主要研究問題是各艾真體間的合作與對話，包括分佈式問題求解和多艾真體系統（multiagent system，mas）兩領域。其中，分佈式問題求解把一個具體的求解問題劃分爲多個相互合作和知識共享的模塊或結點。多艾真體系統則研究各艾真體間智能行爲的協調，包括規劃、知識、技術和動作的協調。這兩個研究領域都要研究知識、資源和控制的劃分問題，但分佈式問題求解往往含有一個全局的概念模型、問題和成功標準，而mas則含有多個局部的概念模型、問題和成功標準。

mas更能體現人類的社會智能，具有更大的靈活性和適應性，更適合開放和動

態的世界環境，因而倍受重視，已成爲人工智能以至計算機科學和控制科學與工程的研究熱點。當前，艾真體和mas的研究包括理論、體系結構、語言、合作與協調、通訊和交互技術、mas學習和應用等。mas已在自動駕駛、機器人導航、機場管理、電力管理和信息檢索等方面獲得應用。

2、計算智能與進化計算

計算智能（computing intelligence）涉及神經計算、模糊計算、進化計算等研究領域。其中，神經計算和模糊計算已有較長的研究歷史，而進化計算則是較新的研究領域。在此僅對進化計算加以說明。

進化計算（evolutionary computation）是指一類以達爾文進化論爲依據來設計、控制和優化人工系統的技術和方法的總稱，它包括遺傳算法（genetic algorithms）、進化策略（evolutionary strategies）和進化規劃（evolutionary programming）。它們遵循相同的指導思想，但彼此存在一定差別。同時，進化計算的研究關注學科的交叉和廣泛的應用背景，因而引入了許多新的方法和特徵，彼此間難於分類，這些都統稱爲進化計算方法。目前，進化計算被廣泛運用於許多複雜系統的自適應控制和複雜優化問題等研究領域，如並行計算、機器學習、電路設計、神經網絡、基於艾真體的仿真、元胞自動機等。

達爾文進化論是一種魯棒的搜索和優化機制，對計算機科學，特別是對人工智能的發展產生了很大的影響。大多數生物體通過自然選擇和有性生殖進行進化。自然選擇決定了羣體中哪些個體能夠生存和繁殖，有性生殖保證了後代基因中的混合和重組。自然選擇的原則是適者生存，即物競天擇，優勝劣汰。

直到幾年前，遺傳算法、進化規劃、進化策略三個領域的研究纔開始交流，並發現它們的共同理論基礎是生物進化論。因此，把這三種方法統稱爲進化計算，而把相應的算法稱爲進化算法。

3、數據挖掘與知識發現

知識獲取是知識信息處理的關鍵問題之一。20世紀80年代人們在知識發現方面取得了一定的進展。利用樣本，通過歸納學習，或者與神經計算結合起來進行知識獲取已有一些試驗系統。數據挖掘和知識發現是90年代初期新崛起的一個活躍的研究領域。在數據庫基礎上實現的知識發現系統，通過綜合運用統計學、粗糙集、模糊數學、機器學習和專家系統等多種學習手段和方法，從大量的數據中提煉出抽象的知識，從而揭示出蘊涵在這些數據背後的客觀世界的內在聯繫和本質規律，實現知識的自動獲取。這是一個富有挑戰性、並具有廣闊應用前景的研究課題。

從數據庫獲取知識，即從數據中挖掘並發現知識，首先要解決被發現知識的表達問題。最好的表達方式是自然語言，因爲它是人類的思維和交流語言。知識表示的最根本問題就是如何形成用自然語言表達的概念。

機器知識發現始於1974年，並在此後十年中獲得一些進展。這些進展往往與專家系統的知識獲取研究有關。到20世紀80年代末，數據挖掘取得突破。越來越多的研究者加入到知識發現和數據挖掘的研究行列。現在，知識發現和數據挖掘已成爲人工智能研究的又一熱點。

比較成功的知識發現系統有用於超級市場商品數據分析、解釋和報告的

coverstory系統，用於概念性數據分析和查尋感興趣關係的集成化系統explora，交互式大型數據庫分析工具kdw，用於自動分析大規模天空觀測數據的skicat系統，以及通用的數據庫知識發現系統kdd等。

4、人工生命

人工生命（artificial life，alife）的概念是由美國聖菲研究所非線性研究組的蘭頓（langton）於1987年提出的，旨在用計算機和精密機械等人工媒介生成或構造出能夠表現自然生命系統行爲特徵的仿真系統或模型系統。自然生命系統行爲具有自組織、自複製、自修復等特徵以及形成這些特徵的混沌動力學、進化和環境適應。

人工生命所研究的人造系統能夠演示具有自然生命系統特徵的行爲，在“生命之所能”（life as it could be）的廣闊範圍內深入研究“生命之所知”（life as we know it）的實質。只有從“生命之所能”的廣泛內容來考察生命，才能真正理解生物的本質。人工生命與生命的形式化基礎有關。生物學從問題的頂層開始，把器官、組織、細胞、細胞膜，直到分子，以探索生命的奧祕和機理。人工生命則從問題的底層開始，把器官作爲簡單機構的宏觀羣體來考察，自底向上進行綜合，把簡單的由規則支配的對象構成更大的集合，並在交互作用中研究非線性系統的類似生命的全局動力學特性。

人工生命的理論和方法有別於傳統人工智能和神經網絡的理論和方法。人工生命把生命現象所體現的自適應機理通過計算機進行仿真，對相關非線性對象進行更真實的動態描述和動態特徵研究。

人工生命學科的研究內容包括生命現象的仿生系統、人工建模與仿真、進化動力學、人工生命的計算理論、進化與學習綜合系統以及人工生命的應用等。比較典型的人工生命研究有計算機病毒、計算機進程、進化機器人、自催化網絡、細胞自動機、人工核苷酸和人工腦等。

三、 學了人工智能課程的收穫

（1）瞭解人工智能的概念和人工智能的發展，瞭解國際人工智能的主要流派和路線，瞭解國內人工智能研究的基本情況，熟悉人工智能的研究領域。

（2）較詳細地論述知識表示的各種主要方法。重點掌握了狀態空間法、問題歸約法和謂詞邏輯法，熟悉語義網絡法，瞭解知識表示的其他方法，如框架法、劇本法、過程法等。

（3）掌握了盲目搜索和啓發式搜索的基本原理和算法，特別是寬度優先搜索、深度優先搜索、等代價搜索、啓發式搜索、有序搜索、a*算法等。瞭解博弈樹搜索、遺傳算法和模擬退火算法的基本方法。

（4）掌握了消解原理、規則演繹系統和產生式系統的技術、瞭解不確定性推理、非單調推理的概念。

（5）概括性地瞭解了人工智能的主要應用領域，如專家系統、機器學習、規劃系統、自然語言理解和智能控制等。

（6）基本瞭解人工智能程序設計的語言和工具。

四、 對人工智能研究的展望

對現代社會的影響有多大？工業領域，尤其是製造業，已成功地使用了人工智能技術，包括智能設計、虛擬製造、在線分析、智能調度、仿真和規劃等。金融業，股票商利用智能系統輔助其分析，判斷和決策；應用卡欺詐檢測系統業已得到普遍應用。人工智能還滲透到人們的日常生活，cad，cam，cai，cap，cims等一系列智能產品給大家帶來了極大的方便，它還改變了傳統的通信方式，語音撥號，手寫短信的智能手機越來越人性化。

人工智能還影響了你們的文化和娛樂生活，引發人們更深層次的精神和哲學層面的思考，從施瓦辛格主演的《終結者》系列，到基努.裏維斯主演的《黑客帝國》系列以及斯皮爾伯格導演的《人工智能》，都有意無意的提出了同樣的問題：我們應該如何看待人工智能？如何看待具有智能的機器？會不會有一天機器的智能將超過人的智能？問題的答案也許千差萬別，我個人認爲上述擔心不太可能成爲現實，因爲我們理解人工智能並不是讓它取代人類智能，而是讓它模擬人類智能，從而更好地爲人類服務。

當前人工智能技術發展迅速，新思想，新理論，新技術不斷涌現，如模糊技術，模糊--神經網絡，遺傳算法，進化程序設計，混沌理論，人工生命，計算智能等。以agent概念爲基礎的分佈式人工智能正在異軍突起，特別是對於軟件的開發，“面向agent技術”將是繼“面向對象技術”後的又一突破。從萬維網到人工智能的研究正在如火如荼的開展。

五、 對課程的建議

（1） 能夠結合現在最新研究成果着重講解重點知識，以及講述在一些研究成

果中人工智能那些知識被應用。

（2） 多推薦一些過於人工智能方面的電影，如：《終結者》系列、《黑客帝國》

系列、《人工智能》等，從而增加同學對這門課程學習的興趣。

（3） 條件允許的話，可以安排一些實驗課程，讓同學們自己製作一些簡單的

作品，增強同學對人工智能的興趣，加強同學之間的學習。

（4） 課堂上多講解一些人工智能在各個領域方面的應用，以及着重闡述一些

新的和正在研究的人工智能方法與技術，讓同學們可以瞭解近期發展起來的方法和技術，在講解時最好多舉例，再結合原理進行講解，更助於同學們對人工智能的理解。

第三篇：《人工智能》學習報告

深圳大學碩士研究生課程作業—人工智能

《人工智能》學習報告

深圳大學機電與控制工程學院彭建柳

學號：0943010210

1. 引言

人工智能(artificial intelligence，ai)，曾經有一部電影，著名導演斯蒂文?斯皮爾伯格的科幻片《人工智能》(a.i.)對許多人的頭腦又一次產生了震動，引起了一些人士瞭解並探索人工智能領域的興趣。人工智能對於普通人來說是那樣的可望而不可及，然而它卻吸引了無數研究人員爲之奉獻才智，從美國的麻省理工學院(mit)、卡內基-梅隆大學(cmu)到ibm公司，再到日本的本田公司、sony公司以及國內的清華大學、中科院等科研院所，全世界的實驗室都在進行着ai技術的實驗。

一直以來，關於人工智能的理論，我一直認爲是科學的前沿，理解起來較爲飄渺。但是，從本學期《人工智能》課程的學習中，本人較系統的接觸到了關於人工智能的理論，從有限的課程中，通過老師的詳細介紹和查閱人工智能方面的書籍，學習了關於人工智能幾個主要方面的知識，如模糊控制、專家系統、神經網絡等。下面是本人關於人工智能理論的一些基本認識。

2. 人工智能的形成與發展

說到人工智能，首先先認識下自動控制理論，自動控制理論從形成到發展至今，已經經歷了六十多年的歷程，其主要分爲三個階段：

第一階段是40年代興起的以調節原理爲標誌，稱爲經典控制理論階段；

第二階段是以60年代興起的以狀態空間爲標誌，稱爲現代控制理論階段；

第三階段是80年代興起的智能控制理論階段

智能控制是在控制論人工智能系統論和信息論等多學科的高度綜合與集成，是一門新興的交叉前沿學科。智能控制技術，即是在無人干預的情況下能自主地驅動智能機器實現控制目標的自動控制技術。對許多複雜的系統，難以建立有效的數學模型和用常規的控制理論去進行定量計算和分析，而必須採用定量方法與定性方法相結合的控制方式。定量方法與定性方法相結合的目的是，要由機器用類似於人的智慧和經驗來引導求解過程。因此，在研究和設計智能系統時，主要注意力不放在數學公式的表達、計算和處理方面，而是放在對任

第 1 頁 共 4 頁

務和現實模型的描述、符號和環境的識別以及知識庫和推理機的開發上，即智能控制的關鍵問題不是設計常規控制器，而是研製智能機器的模型。此外，智能控制的核心在高層控制，即組織控制。高層控制是對實際環境或過程進行組織、決策和規劃，以實現問題求解。爲了完成這些任務，需要採用符號信息處理、啓發式程序設計、知識表示、自動推理和決策等有關技術。這些問題求解過程與人腦的思維過程有一定的相似性，即具有一定程度的“智能”。

隨着人工智能和計算機技術的發展，已經有可能把自動控制和人工智能以及系統科學中一些有關學科分支(如系統工程、系統學、運籌學、信息論)結合起來，建立一種適用於複雜系統的控制理論和技術。智能控制正是在這種條件下產生的。它是自動控制技術的最新發展階段，也是用計算機模擬人類智能進行控制的研究領域。1965年，傅京孫首先提出把人工智能的啓發式推理規則用於學習控制系統。1985年，在美國首次召開了智能控制學術討論會。1987年又在美國召開了智能控制的首屆國際學術會議，標誌着智能控制作爲一個新的學科分支得到承認。智能控制具有交叉學科和定量與定性相結合的分析方法和特點。

3. 模糊控制

在傳統的控制領域裏，控制系統動態模式的精確與否是影響控制優劣的最主要關鍵，系統動態的信息越詳細，則越能達到精確控制的目的。然而，對於複雜的系統，由於變量太多，往往難以正確的描述系統的動態，於是工程師便利用各種方法來簡化系統動態，以達成控制的目的，但卻不盡理想。換言之，傳統的控制理論對於明確系統有強而有力的控制能力，但對於過於複雜或難以精確描述的系統，則顯得無能爲力了。因此便嘗試着以模糊數學來處理這些控制問題。通過課堂中，導師生動的講解，以及引用到生活當中鮮活的例子，如冰箱溫度的模糊控制，智能汽車的行駛路線控制等等，充分的認識到，模糊控制在當今社會的應用已經很廣泛，只是理論知識的缺乏而感覺不到它們的存在。

一般控制架構包括：定義變量、模糊化、知識庫、邏輯判斷及反模糊化，詳細如下：

(1) 定義變量：也就是決定程序被觀察的狀況及考慮控制的動作，例如在一般控制問題上，輸入變量有輸出誤差e與輸出誤差之變化率ce，而控制變量

則爲下一個狀態之輸入u。其中e、ce、u統稱爲模糊變量。

(2) 模糊化（fuzzify）：將輸入值以適當的比例轉換到論域的數值，利用口語化變量來描述測量物理量的過程，依適合的語言值（linguisitc value）求該值相對之隸屬度，此口語化變量我們稱之爲模糊子集合（fuzzy subsets）。

(3) 知識庫：包括數據庫（data base）與規則庫（rule base）兩部分，其中數據庫是提供處理模糊數據之相關定義；而規則庫則藉由一羣語言控制規則描述控制目標和策略。

(4) 邏輯判斷：模仿人類下判斷時的模糊概念，運用模糊邏輯和模糊推論法進行推論，而得到模糊控制訊號。此部分是模糊控制器的精髓所在。

(5) 解模糊化（defuzzify）：將推論所得到的模糊值轉換爲明確的控制訊號，做爲系統的輸入值。

模糊控制很重要的一點就是模糊規則的制定，其規則制定的來源主要由專家的經驗和知識、操作員的操作模式、自學習提供。模糊規則的形式則分爲狀態評估和目標評估兩種。但都是以模糊控制爲基礎，達到自動控制的目的。

4. 專家系統

專家系統(expert system)是人工智能應用研究最活躍和最廣泛的課題之

一。運用特定領域的專門知識，通過推理來模擬通常由人類專家才能解決的各種複雜的、具體的問題，達到與專傢俱有同等解決問題能力的計算機智能程序系統。它能對決策的過程作出解釋，並有學習功能，即能自動增長解決問題所需的知識。

專家系統的發展已經歷了3個階段，正向第四代過渡和發展。第一代專家系統（dendral、macsyma等）以高度專業化、求解專門問題的能力強爲特點。但在體系結構的完整性、可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統（mycin、casnet、prospector、hearsay等）屬單學科專業型、應用型系統，其體系結構較完整，移植性方面也有所改善，而且在系統的人機接口、解釋機制、知識獲取技術、不確定推理技術、增強專家系統的知識表示和推理方法的啓發性、通用性等方面都有所改進。第三代專家系統屬多學科綜合型系統，採用多種人工智能語言，綜合採用各種知識表示方法和多種推理機制及控制策略，並開始運用各種知識工程語言、骨架系統及專家系統開發工具和

環境來研製大型綜合專家系統。在總結前三代專家系統的設計方法和實現技術的基礎上，已開始採用大型多專家協作系統、多種知識表示、綜合知識庫、自組織解題機制、多學科協同解題與並行推理、專家系統工具與環境、人工神經網絡知識獲取及學習機制等最新人工智能技術來實現具有多知識庫、多主體的第四代專家系統。

對專家系統可以按不同的方法分類。通常，可以按應用領域、知識表示方法、控制策略、任務類型等分類。如按任務類型來劃分，常見的有解釋型、預測型、診斷型、調試型、維護型、規劃型、設計型、監督型、控制型、教育型等。

簡而言之，專家系統是一種模擬人類專家解決領域問題的計算機程序系統。

5. 神經網絡

由於神經網絡是多學科交叉的產物，各個相關的學科領域對神經網絡都有各自的看法，因此，關於神經網絡的定義，在科學界存在許多不同的見解。目前使用得最廣泛的是len的定義，即“神經網絡是由具有適應性的簡單單元組成的廣泛並行互連的網絡，它的組織能夠模擬生物神經系統對真實世界物體所作出的交互反應。”

人工神經網絡是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分佈式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行爲卻是極其豐富多彩的。

6. 小結

關於人工智能的學習，我現在所學習到的僅僅是皮毛。但對於一個剛剛接觸人工智能學習的學生，瞭解如模糊控制、專家系統、神經網絡等人工智能的知識入門尤爲重要，爲將來進一步學習人工智能的理論打下基礎，並將理論應用於生活和工作當中，這纔是學習的最終目的。

參考文獻：

《人工智能控制》作者：蔡自興，出 版 社：化學工業出版社， 2014-7-1

第四篇：對人工智能學習的感想

學校：

學院：班級：

姓名：學號：

談談人工智能的學習感想

人工智能(artificial intelligence) ，英文縮寫爲ai。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智能是計算機科學的一個分支，它企圖瞭解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領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等。

人工智能技術導論這門課的學習，讓我知道了人工智能從誕生髮展到今天經歷了一條漫長的路，許多科研人員爲此而不懈努力。 人工智能的開始可以追溯到電子學出現以前。象布爾和其他一些哲學家和數學家 建立的理論原則後來成爲人工智能邏輯學的基礎。而人工智能真正引起 研究者的興趣則是1943年計算機發明以後的事。技術的發展最終使得人們可以仿真 人類的智能行爲，至少看起來不太遙遠。接下來的四十年裏，儘管碰到許多阻礙，人工智能仍然從最初只有十幾個研究者成長到現在數以千計的工程師和專家在研究； 從一開始只有一些下棋的小程序到現在的用於疾病診斷的專家系統，人工智能的發展有目共睹。

人工智能經過幾十年的發展，其應用在不少領域得到發展，在我們的日常生活和學習當中也有許多地方得到應用。我通過網絡查找，知道了以下領域的人工智能的發展。

1．機器翻譯

機器翻譯是利用計算機把一種自然語言轉變成另一種自然語言的過程，用以完成這一過程的軟件系統叫做機器翻譯系統。幾十年來，國內外許多專家、學者爲 機器翻譯的研究付出了大量的心血和汗水。雖然至今還沒有一個實用、全面、高質量的自動翻譯系統出現，不過也取得了很大的進展，特別是作爲人們的輔助翻譯工 具，機器翻譯已經得到大多數人的認可。目前，國內的機器翻譯軟件不下百種，根據這些軟件的翻譯特點，大致可以分爲三大類：詞典翻譯類、漢化翻譯類和專業翻 譯類。詞典類翻譯軟件代表是“金山詞霸”了，堪稱是多快好省的電子詞典，它可以迅速查詢英文單詞或詞組的詞義，並提供單詞的發音，爲用戶瞭解單詞或詞組含 義提供了極大的便利。漢化翻譯軟件的典型代表是“東方快車2014”，它首先提出了“智能漢化”的概念，使翻譯軟件的輔助翻譯作用更加明顯。以“譯星”、 “雅信譯霸”爲代表的專業翻譯系統，是面對專業或行業用戶的翻譯軟件，但其專業翻譯的質量與人們的實用性還有不少差距，有人評價說“滿篇英文難不住，滿篇 中文看不懂”，該說法雖然比較極端，但機譯譯文的質量確實卻一直是個老大難問題。這裏，我們不妨對現有的機譯和人譯過程作一比較，從中可以看出一些原因。

機器翻譯：

1.一句一句處理，上下文缺乏聯繫；

2.對源語言的分析只是求解句法關係，完全不是意義上的理解；

3.缺乏領域知識，從計算機到醫學，從化工到法律都通用，就換專業詞典；

4.譯文轉換是基於源語言的句法結構的，受源語言的句法結構的束縛；

5.翻譯只是句法結構的和詞彙的機械對應。

人工翻譯：

1.一般會先通讀全文，會前後照應；

2.對源語言是求得意義上的理解；

3.只有專業翻譯人員，而沒有萬能翻譯人員；

4.譯文是基於他對源語言的理解，不受源語言的句法結構的束縛；

5.翻譯是一個再創造的過程。

在目前的情況下，計算機輔助翻譯應該是一個比較好的實際選擇。事實上，在很多領域中，計算機輔助人類工作的方式已經得到了廣泛的應用，例如cad軟 件。如果計算機輔助技術用於語言的翻譯研究，應該同樣可以起到很大的輔助作用，這就是所謂的“計算機輔助翻譯”。它集機器記憶式翻譯、語法分析式翻譯和人 際交互式翻譯爲一體，把翻譯過程中機械、重複、瑣碎的工作交給計算機來完成。這樣，翻譯者只需將精力集中在創造性的思考上，有利於工作效率的提高。

機器翻譯研究歸根結底是一個知識處理問題，它涉及到有關語言內的知識、語言間的知識、以及語言外的世界知識，其中包括常識和相關領域的專門知識。隨 着因特網的普及與發展，機器翻譯的應用前景十分廣闊。作爲人類探索自己智能和操作知識的機制的窗口，機器翻譯的研究與應用將更加誘人。國際上有關專家分析 認爲機器翻譯要想達到類似人工翻譯一樣的流暢程度，至少還要經歷15年時間的持續研究，但在人類對語言研究還沒有清楚“人腦是如何進行語言的模糊識別和判 斷”的情況下，機器翻譯要想達到100%的準確率是不可能的。

2．專家系統

專家系統是一種模擬人類專家解決領域問題的計算機程序系統。專家系統內部含有大量的某個領域的專家水平的知識與經驗，能夠運用人類專家的知識和解決 問題的方法進行推理和判斷，模擬人類專家的決策過程，來解決該領域的複雜問題。專家系統是人工智能應用研究最活躍和最廣泛的應用領域之一,涉及到社會各個 方面，各種專家系統已遍佈各個專業領域，取得很大的成功。根據專家系統處理的問題的類型，把專家系統分爲解釋型、診斷型、調試型、維修型、教育型、預測 型、規劃型、設計型和控制型等10種類型。具體應用就很多了，例如血液凝結疾病診斷系統、電話電纜維護專家系統、花布圖案設計和花布印染專家系統等等。

爲了實現專家系統，必須要存儲有該專門領域中經過事先總結、分析並按某種模式表示的專家知識(組成知識庫)，以及擁有類似於領域專家解決實際問題的 推理機制(構成推理機)。系統能對輸入信息進行處理，並運用知識進行推理，做出決策和判斷，其解決問題的水平達到或接近專家的水平，因此能起到專家或專家 助手的作用。

開發專家系統的關鍵是表示和運用專家知識，即來自領域專家的己被證明對解決有關領域內的典型問題有用的事實和過程。目前，專家系統主要採用基於規則 的知識表示和推理技術。由於領域的知識更多是不精確或不確定的，因此，不確定的知識表示與知識推理是專家系統開發與研究的重要課題。此外，專家系統開發工 具的研製發展也很迅速，這對擴大專家系統的應用範圍，加快專家系統的開發過程，將起到積極地促進作用。隨着計算機科學技術整體水平的提高，分佈式專家系 統、協同式專家系統等新一代專家系統的研究也發展很快。在新一代專家系統中，不但採用基於規則的推理方法，而且採用了諸如人工神經網絡的方法與技術。

3．符號計算

計算機最主要的用途之一就是科學計算,科學計算可分爲兩類:一類是純數值的計算,例如求函數的值,方程的數值解,比如天氣預報、油藏模擬、航天等領 域;。另一類是符號計算,又稱代數運算,這是一種智能化的計算,處理的是符號。符號可以代表整數、有理數、實數和複數,也可以代表多項式,函數,集合 等。。長期以來,人們一直盼望有一個可以進行符號計算的計算機軟件系統。。早在50年代末,人們就開始對此研究。。進入80年代後,隨着計算機的普及和人 工智能的發展,相繼出現了多

種功能齊全的計算機代數系統軟件,其中mathematica和maple是它們的代表，由於它們都是用c語言寫成的,所以可 以在絕大多數計算機上使用。。mathematica是第一個將符號運算,數值計算和圖形顯示很好地結合在一起的數學軟件,用戶能夠方便地用它進行多種形 式的數學處理。

計算機代數系統的優越性主要在於它能夠進行大規模的代數運算。。通常我們用筆和紙進行代數運算只能處理符號較少的算式,當算式的符號上升到百位數 後,手工計算就很困難了,這時用計算機代數系統進行運算就可以做到準確,快捷,有效。。 現在符號計算軟件有一些共同的特點就是在可以進行符號運算、數值計算和圖形顯示等同時,還具有高效的可編程功能。在操作界面上一般都支持交互式處理,人們 通過鍵盤輸入命令,計算機處理後即顯示結果。並且人機界面友好,命令輸入方便靈活,很容易尋求幫助。

儘管計算機代數系統在代替人繁瑣的符號運算上有着無比的優越性,但是,計算機畢竟是機器,它只能執行人們給它的指令，有一定的侷限性。首先,多數計 算機代數系統對計算機硬件有較高的要求,在進行符號運算時,通常需要很大的內存和較長的計算時間,而精確的代數運算以時間和空間爲代價的。第二個問題是用 計算機代數系統進行數值計算,雖然計算精度可以到任意位,但由於計算機代數系統是用軟件本身浮點運算代替硬件算術運算,所以在速度要比用fortran語 言算同樣的問題慢百倍甚至千倍。另外,雖然計算機代數系統包含大量的數學知識,但這僅僅是數學中的一小部分,目前仍有許多數學領域未能被計算機代數系統涉 及。計算機代數系統仍在不斷地發展、完善之中。

如今，人工智能研究出現了新的高潮，這一方面是因爲在人工智能理論方面有了新的進展，另一方面也是因爲計算機硬件突飛猛進的發展。隨着計算機速度的不斷提高、存儲容 量的不斷擴大、價格的不斷降低以及網絡技術的不斷髮展，許多原來無法完成的工作現在已經能夠實現。

人工智能的學習，讓我明白了人工智能始終處於計算機發展的最前沿。高級計算機語言、計算機界面及文字處理器的存在或多或少都得歸功於人工智能的研究。人工智能研究帶來的理論和洞察力指引了計算技術發展的未來方向。現有的人工智能產品相對於即將到來的人工智能應用可以說微不足道，但是它們預示着人工智能的未來。將來我們會對人工智有能更高層次的需求，人工智能也會繼續影響我們的工作、學習和生活，我們也要支持人工智能的發展！

第五篇：人工智能學習

人工智能學習-知識要點總結 [nirvana 發表於 2014-1-2 13:32:24]

人工智能是在計算機科學、控制論、信息論、神經心理學、哲學、語言學等多種學科研究的基礎上發展起來的，是一門綜合性邊緣學科，延伸人腦的功能，實現了腦力勞動的自動化。

1、認知科學認爲智能的核心是思維，知識闕值理論認爲智能行爲取決於知識的數量及其一般化程度，智能就是在巨大搜索空間中迅速找到一個滿意解的能力；進化理論的核心是用控制取代表示，取消概念、模型及顯示錶示知識，否定抽象對於智能及智能模擬的必要性，強調分結構對於智能進化的可能性與必要性。綜合上述觀點，認爲智能是知識與智力的總和，具有如下特徵：

（1）記憶與思維能力，（2）學習能力及自適應能力，（3）行爲能力。

人工智能是人造智能，是一門研究如何構造智能機器（智能計算機）或智能系統，使它能模擬、延伸、擴展人類智能的學科。通過圖靈測試可以判斷一個系統是否具有智能和智能的水平。

人工智能研究內容：

（1）機器感知（2）機器思維（3）機器學習（4）機器行爲（5）智能系統構造技術

人工智能研究途徑：

（1）符號處理（2）網絡連接機制（3）系統集成

2、知識是智能的基礎，對人工智能的研究必須以知識爲中心來進行，由於對知識的表示、利用、獲取等的研究取得較大進展，特別是不確定性知識表示與推理取得的突破，建立了主觀bayes理論、確定性理論、證據理論、可能性理論，對人工智能其他領域（如模式識別，自然語言理解等）的發展提供了支持。數據是信息的載體和表示，信息是數據在特定場合的具體含義，信息是數據的語義；把有關信息關聯在一起所形成的信息結構叫知識。具有：相對正確性，不確定性，可表示性，可利用性等特徵；按作用範圍分爲常識性知識，領域性知識；按作用及表示分爲事實性知識，過程性知識，控制性知識。按確定性分爲確定性知識，不確定性知識；按結構及表現形式分爲邏輯性知識，形象性知識；從抽象的，整體的觀點來劃分可分爲零級知識，一級知識，二級知識。知識表示方法總體上分爲符號表(轉載請註明來源：)示法，連接機制表示法；目前用得較多的知識表示方法主要有：一階謂詞邏輯表示，產生式，框架，語義網絡，腳本，過程，petrio網，面向對象表示法。選擇知識表示法時，要注意以下幾個方面：

（1）充分表示領域知識（2）有利於對知識的利用（3）便於對知識的組織、維護與管理（4）便於理解和實現

3、產生式系統構成：規則庫，控制系統，綜合數據庫。綜合數據庫中已知事實表示：（特性 對象 值可信度因子）控制系統的求解過程是一個不斷地從規則庫中選取可用規則與綜合數據庫中已知事實進行匹配的過程。產生式系統分類：按推理方向分爲前向、後向和雙向產生式系統；按表示知識的確定性可分爲確定性及不確定性產生式系統；按數據庫性質及結構特徵進行分類爲可交換的產生式系統，可分解的產生式系統，可恢復的產生式系統。框架是一種描述所論對象屬性的數據結構，由槽結構組成，槽分爲若干側面。問題求解主要通過匹配和填槽實現的；產生式表示法主要用於描述事物間的因果關係，框架表示法主要用於描述事物內部結構及事物間的類屬關係。語義網絡是通過概念及其語義關係來表達知識的一種網絡圖。一個過程規則包括激發條件，演繹操作，狀態轉換及返回四個部分。

4、推理就是按某種策略由已知判斷推出另一判斷的思維過程。按從新判斷推出的途徑來劃分，推理可分爲演繹推理、歸納推理和默認推理；按所用知識確定性分爲確定性推理，不確定性推理；按推出的結論是否單調地增加來劃分爲單調推理，非單調推理；按是否運用與問題有關的啓發性知識分爲啓發式推理，非啓發式推理；按基於方法的分爲基於知識的推理，統計推理，直覺推理。推理的控制策略：推理方向，搜索策略，衝突消解策略，求解策略和限制策略。推理方向可確定推理的驅動方式：正向推理，逆向推理，混合推理及雙向推理。

從一組已知爲真的事實出發，直接運用經典邏輯的推理規則推出結論的過程稱爲自然演繹推理，基本推理規則是p規則，t規則，假言推理，拒絕式推理等：

p規則：任何步驟可引入前提a

t規則：前面步驟有一個或多個公式永真蘊涵公式s，可引入s

假言推理：p，p—>q=> q

拒絕式推理：p—>q, 非q=>非p

歸結演繹推理中，空字句是不滿足的，因此歸結的目標是通過歸結使字句集中包含空字句，從而證明原命題的不可滿足性。歸結式是親本字句的邏輯結論。

不確定性推理是從不確定性的初始證據出發，通過運用不確定性的知識，最終推出具有一定程度的不確定性但卻是合理或者近乎合理的理論的思維過程。

不確定推理的基本問題：推理方向，推理方法，控制策略，不確定性的表示和度量，不確定性匹配，不確定性傳遞算法，不確定性的合成。

知識的不確定性稱爲知識的靜態強度；證據的不確定性稱爲動態強度

5、組合證據的不確定性算法：

最大最小方法

概率方法

有界方法

不確定性傳遞算法：

結論不確定性的合成：

6、 主觀bayes方法：

（1）知識不確定性表示（產生式規則）：

（2）證據不確定性表示：

（3）組合證據不確定性的算法：

（4）不確定性傳遞算法：

（5）結論不確定性的合成算法：

7、可信度方法：（c-f模型是基於可信度表示的不確定性推理的基本方法）

在可信度推理方法中的ｃ-f模型裏，可信度cf(h,e)的含義是：cf(h,e)>0表示ｅ的出現增加了ｈ的可信度；cf(h,e)=0表示ｅ的出現與ｈ可信度無關；cf(h,e)<0表示ｅ的出現降低了ｈ的可信度。

（1）知識不確定性表示：

（2）證據不確定性表示：

（3）組合證據不確定性算法：

（4）不確定性傳遞算法：

（5）結論不確定性合成算法（推理網絡）：

8、證據理論是用集合表示命題的， d是變量x所有可能取值的集合，且d中的元素是互斥的，在任一時刻x都取且只能取d中某一元素爲值，則稱d爲x的樣本空間。

信任函數與似然函數的關係：pl(a)>=bel(a) , bel(a)表示對a爲真的信任程度，pl(a)表示對a爲非假的信任程度。pl(a)-bel(a)表示對ａ不知道的程度，即既非對ａ信任又不信任的那部分。

知識的不確定表示：if e then h={h1,h2,…,hn} cf={c1,c2,…,cn}ｃｆ是可信度因子

含有模糊概念、模糊數據或帶有確信程度的語句稱爲模糊命題。一般表示形式爲：

x is a(cf)x是論域上的變量，ａ是模糊數，ｃｆ是該模糊命題的確信程度或

相應事件發生的可能性程度。

10、人工智能解決的問題：結構不良，非結構化；盲目搜索按預定的控制策略進行搜索，在搜索過程中獲得的中間信息不用來改進控制策略；啓發式搜索加入了與問題有關的啓發性信息，用以指導搜索朝着最有希望的方向前進，加速問題的求解過程並找到最優解。

狀態空間表示法：（ｓ，ｆ，ｇ）

11、專家系統就是一種在相關領域中具有專家水平解題能力的智能程序系統，它能運用領域專家多年積累的經驗與專門知識，模擬人類專家的思維過程，求解需要專家才能解決的困難問題。

特徵：專家知識，有效推理，獲取知識能力，靈活性，透明性，交互性，複雜性

專家系統與常規計算機程序比較：＊

(1)常規程序＝數據結構＋算法，專家系統＝知識＋推理

(2)常規程序分爲數據級＋程序級，專家系統數據級＋知識庫級＋控制級

(3)常規程序面向數值計算和數據處理，專家系統本質上是面向符號處理的

(4)常規程序處理的數據多是精確的，專家系統處理不精確，模糊知識

(5)解釋功能

(6)都是程序系統

12、機器學習是要使計算機能模擬人的學習行爲，自動地通過學習獲取知識和技能，不斷改善性能，實現自我完善：

三個方面的研究內容：（１）學習機理研究（２）學習方法研究（３）面向任務研究

學習系統是指能夠在一定程度上實現機器學習的系統，能夠從某個過程或環境的未知特徵中學到有關信息，並且能把學到的信息用於未來的估計、分類、決策或控制，以便改進系統的性能。在結構上主要包括：學習環境，學習機構，執行與評估機構和知識庫四個部分；各種符號學習方法中推理能力最強的學習方法是機械式學習，推理能力最弱的方法是觀察和發現，神經網絡學習獲得的知識被存儲在神經元之間的連接中。

學習系統具有的條件能力：

(1)具有適當的學習環境

(2)具有一定學習能力

(3)能應用學到的知識求解問題

(4)能提高系統的性能

推薦更多範文：

人工智能學習資料

人工智能心得體會

人工智能

人工智能

人工智能