第一篇：人工智能與電子商務解讀

人工智能與電子商務

2013年6月16日

人工智能在電子商務中的應用

摘要：人工智能技術和電子商務的飛速發展推動了全球科技經濟領域的進步，基于人工智能技術的電子商務更趨向完美和成熟。隨著電子商務的不斷發張和人工智能的不斷完善，兩者在各自領域、各個層次的相互融合將更加緊密。作為各自的成功因素，電子商務和人工智能技術的融合必將成為一種關鍵技術。

關鍵詞：電子商務；人工智能；數據倉庫；數據挖掘

一、引言

電子商務的飛速發展給全球經濟帶來的沖擊是巨大的。基于人工智能技術的電子商務將能更好地為其發展帶來良好的基礎．這過程是電子商務向著良性發展的必然趨勢。本文從人工智能技術與電子商務的國內外動態人工智能技術在電子商務中的應川例子，以及數據挖掘技術在web上的應用等幾個方面對其進行論述。

二、人工智能

人工智能（artificialintelligence,AI)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一門綜合性很強的交叉科學，是一門新思想、新觀念、新理論、新技術不斷出現的新興科學以及正在迅速發展的前沿學科【1】。人工智能是研究使機器具備人所具有的智能功能的一門高新技術學科。其目的是模擬、延伸和擴展人的智能，以實現某些腦力勞動的自動化。實質上，它是開拓計算機應用、研制新一代計算機和擴展計算機應用領域的技術基礎，也是探索人腦奧秘的重要科學途徑。人工智能、原子能技術、空間技術，被稱2O世紀的三大尖端科技。進入21世紀后，人工智能仍是適應信息時代需求的關鍵技術之一。明確上述人工智能定義后，不難指明智能化與電腦化的區別。“人工智能”是指，采用人工能理論方法和技術，并具有某種或某些擬人智能特性或功能。有電腦后不一定采用人工智能方法，也不一定具有擬人智能特性，故不一定能被稱為“智能化”。

三、電子商務

電子商務，源于英文ELECTR0NICC0MMERCE，簡寫為EC，指的是利用簡單、快捷、低成本的電子通訊方式，買賣雙方不謀面地進行各種商貿活動。【2】其內容包含兩個方面：一是電子方式；二是商貿活動。電子商務可以通過多種電子通訊方式來完成，但是，現在人們所探討的電子商務主要是以EDI(電子數據交換)和INTER—NET來完成的。尤其是隨著INTERNET技術的日益成熟，電子商務真正的發展將是建立在INTERNET技術上的，所以也有人把電子商務簡稱為IC(INTERNETC0MMERCEo從貿易活動的角度分析，電子商務可以在多個環節實現，由此也可以將電子商務分為兩個層次，較低層次的電子商務如電子商情、電子貿易、電子合同等；最完整的也是最高級的電子商務應該是利用INTENET網絡能夠進行全部的貿易活動，即在網上將信息流、商流、資金流和部分的物流完整地實現，也就是說，你可以從尋找客戶開始，一直到洽談、訂貨、在線付(收)款、開據電子發票以至到電子報關、電子納稅等通過INTERNET一氣呵成。要實現完整的電子商務，還會涉及到很多方面，除了買家、賣家外，還要有銀行或金融機構、政府機構、認證機構、配送中心等機構的加入才行。由于參與電子商務中的各方在物理上是互不謀面的，因此整個電子商務過程并不是物理世界商務活動的翻版，網上銀行、在線電子支付等條件和數據加密、電子簽名等技術在電子商務中發揮著重要的、不可或缺的作用。

四、人工智能國內外的動態

從1955年正式提出人工智能學科算起40多年來人工智能學科取得了長足的發展．成為一門廣泛的交叉和前沿科學。總的說來人工智能的目的就是讓計算機這臺機器能夠像人一樣思考，如果希望做出一臺能夠思考的機器月B就必須知道什么是思考更進一步講就是什么是智慧。什么樣的機器才是智慧的呢，科學家已經作出了汽車火車飛機收音機等等．它們我們身體器官的功能但是能不能模仿人類大腦的功能呢7到目前為止我也僅僅知道這個裝在我們天靈蓋里面的東西是由數十億個神經細胞組成的器官．我們對這個東西知之甚少，模仿它或許是天下最困難的事情了當計算機出現后人類開始真正有了個可以模擬人類思維的工具在以后的歲月中無數科學家為這個目標努力著．現在人“商場現代化"2007年10月(上甸刊j總 整個數據倉庫系統是一個包含四個層次的體系結構。

（1）數據源。是數據倉庫系統的基礎，是整個系統的數據源泉通常包括企業內部信息和外部信息。內部信息包括存放于RDBMS中的各種業務處理數據和各類文檔數據；外部信息包括各類法律法規、市場信息和競爭對手的信息等等。（2）．數據的存儲與管理。是整個數據倉庫系統的核心。數據倉庫的真正關鍵是數據的存儲和管理。數據倉庫的組織管理方式決定了它有別于傳統數據庫，同時也決定其對外部數據的表現形式。要決定采用什么產品和技術來建立數據倉庫的核心，則需要從數據倉庫的技術特點著手分析。針對現有各業務系統的數據，進行抽取、清理，并有效集成，按照主題進行組織。數據倉庫按照數據的覆蓋范圍可以分為企業級數據倉庫和部門級數據倉庫(通常稱為數據集市)。（3）．OLAP(On—lineAnalysis&Processing)fJ~．務器。對分析

需要的數據進行有效集成，按多維模型予以組織，以便進行多角度、多層次的分析，并發現趨勢。其具體實現可以分為ROLAP、MOLAP和HOLAP。ROLAP基本數據和聚合數據均存放在RDBMS之中；MOLAP基本數據和聚合數據均存放于多維數據庫中；HOLAP基本數據存放于RDBMS之中，聚合數據存放于多維數據庫中。

（4）．前端工具。主要包括各種報表工具、查詢工具、數據分析工具、數據挖掘工具以及各種基于數據倉庫或數據集市的應用開發工具。其中，數據分析工具主要針對OLAP服務器；報表工具、數據挖掘工具主要針對數據倉庫。

2、數據倉庫的作用

數據倉庫究竟能幫我們干點什么?簡單地說，假設你用自動柜員機取200元，當你等待柜員機交易確認時，銀行可以查看一下你的賬號，告訴你現金賬上錢太多，應該換另一個賬號，以便獲得更多利息。如果銀行這么對待你，作為消費者你肯定會覺得這是一個好銀行。然而沒有數據倉庫，銀行就做不到這一點。現在上網購物常常給人帶來意外的驚喜。網站在你不知不覺中記錄你的行蹤，抓到你的喜好。如果你在網上點擊一下襯衫，之后又看了一下書和褲子，網站就會記住你的點擊順序，記下你在每個產品上停留的時間以及你買了什么，沒買什么。這些信息都由數據倉庫保存整理。假如你買了褲子，沒買襯衫，下次你上網時，數據倉庫會跟你說，“歡迎再次光顧，上次您買了褲子，現在我們有一件襯衫可以優惠賣給你。你感興趣嗎?”顧客遇到這種情況，一定是又驚又喜。這就是數據倉庫的魅力。

數據倉庫及管理軟件的市場潛力十分巨大。用一句話說，新經濟的基礎是用互聯網武裝各種類型的公司，并使之自我發展，這個過程中產生許多數據。如果沒有數據倉庫軟件，這些數據就根本沒有用處。有了數據倉庫，就可以了解客戶是誰，他需要什么，怎樣提供更好的服務給他，并以此創造更多利潤。

（二）、數據挖掘與知識發現

1、數據挖掘與知識發現

數據挖掘(DMDataM川ng)和數據庫知識發現(KDDKwowledgeDiscoveryinDatebase)是隨著數據庫技術人工智能拄術和網絡技術的發展而提名的。尤其是隨著電子商務的開展．信 萬方數據電孑商務息總量不斷增加．更迫切地需要有效的信息分析工具以便能發現大量商業數據問隱藏的依賴關系．從而抽取有用的信息或知識指導商業決策【5】。過去只有簡單的數據統計技術，還未達到成為智…能數據分析工具。因此．在數據生成和數據理解之間還存在很大的差距。DM和KDD就是種新型的數據分折技術．旨在從大型數、據庫中提取隱藏的

預測性信息構建高校的數據倉庫，發掘數據問潛在的模式以便于用理解和觀察的形式反映給用戶，從而為企業做出前瞻的．基于知識的決策參考意見。【6】DM與KDD需要解決的問題有：超大規模數據庫和高維數據．數據丟失：變化中的數據和知識．模式的易懂性非標準格式數據，多媒體數據以及面向對象數據的處理．與其他系統的集成．網絡與分布式環境下的KDD問題等。DM與KDD的區別是．KDD是一個綜合的過程包括實驗記錄疊代求解用戶交互以及許多定制要求和決策設計等而DM只是KDD中的一個具體但又是關鍵的步驟．，當然．它們都對數據倉庫進行有效利用的技術手段。

2、數據挖掘實際應用

DM（KDD）工具和軟件已在各個部門得到很好的應用，并收到明顯的效益。

[1]金融方面:銀行信用卡和保險行業，預測存/貸款趨勢，優化存/貸款策略，用DM將市場分成有意義的群組和部門，從而協助市場經理和業務執行人員更好地集中于有促進作用的活動和設計新的市場運動。

[2]在客戶關系管理方面:DM能找出產品使用模式或協助了解客戶行為，從而可以改進通道管理（如銀行分支和ATM等）。又如正確時間銷售（RightTimeMarKeting）就是基于顧客生活周期模型來實施的。

[3]在零售業/市場營銷方面:是數據挖掘技術應用最早也是最重要的領域，DM用于顧客購貨籃的分析可以協助貨架布置，促銷活動時間，促銷商品組合以及了解滯銷和暢銷商品狀況等商業活動。通過對一種廠家商品在各連鎖店的市場共享分析,客戶統計以及歷史狀況的分析，可以確定銷售和廣告業務的有效性。

[4]在過程控制/質量監督保證方面:DM協助管理大數量變量之間的相互作用，DM能自動發現出某些不正常的數據分布，暴露制造和裝配操作過程中變化情況和各種因素，從而協助質量工程師很快地注意到問題發生范圍和采取改正措施。

[5]在遠程通訊部門:基于DM的分析協助組織策略變更以適應外部世界的變化，確定市場變化模式以指導銷售計劃.在網絡容量利用方面，DM能提供對客戶組類服務使用的結構和模式的了解，從而指導容量計劃人員對網絡設施作出最佳投資決策。

[6]化學/制藥行業：從各種文獻資料總自動抽取有關化學反應的信息，發現新的有用化學成分。在遙感領域針對每天從衛星上及其它方面來的巨額數據，對氣象預報，臭氧層監測等能起很大作用。

[7]軍事方面：使用DM進行軍事信息系統中的目標特征提取、態勢關聯規則挖掘等。總之，DM可廣泛應用于銀行金融、零售與批發、制造、保險、公共設施、政府、教育、遠程通訊、軟件開發、運輸等各個企事業單位及國防科研上。據報導，DM的投資回報率有達400%甚至10倍的事例。

（三）、生物認證技術

目前，許多磁卡、存單大都是用密碼進行安全保障的。一旦密碼泄露，也就不安全了。在電子商務中，電子貨幣將得到急速的發展。對安全水平的要求也相應提高。從而帶動了人工智能的一個分支領域——生物認證技術的研究與開發。

生物認證技術是指利用人體某一具有特征的部位。或個人的習慣，如指紋、掌紋、手形、網膜、虹膜、臉型、聲紋及筆記等來識別人們的身份的技術。這種識別技術與磁卡式的靠持有物認證的方法和密碼式的靠只是認證的方法相比，具有極大的優越性。它不會丟失，被盜和偽造。

生物認證技術作為一種準確、快速和高效的身份認證方法，正應用于如銀行、海關、醫療保險、重要通道控制、信息網絡安全等領域。這是一項集現代化生物科技與計算機科學相結合

的高科技實用項目。微軟公司宣布把生物認證技術添加到自己的視窗操作系統中。這對這項新技術的發展將起到促進作用。

（四）、智能數據庫信息檢索 在電子商務平臺應用實踐中，如何根據用戶的意圖，興趣和特點自適應地和智能地從現有的客戶信息、商品庫信息等大量數據信息中對信息進行相關性排列，調整匹配機制，以獲得用戶滿意的檢索輸出，成為電子商務今后；應用所面臨的一個技術問題。

六、結論

本文從人工智能技術和電子商務技術的發展，人工智能技術在電子商務中的應用實例，以及數據挖掘技術和數據倉庫技術的實際應用進行概括的論述。隨著電子商務的不斷發展和人工智能的不斷完善，兩者在各個領域、各個層次的相互融合將更加密切。

總而言之，作為一種商務活動過程，人工智能在電子商務中的應用將帶來一場史無前例的革命，其對社會經濟的影響會遠遠超過商務本身。除了上述這些影響之外，他還將對就業、法律制度以及文化教育等帶來巨大的影響。

參考文獻

【1】王萬良。人工智能及其應用（10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第二篇：人工智能與專家系統課程設計解讀

目錄

1.設計任務 1.1 設計題目 1.2設計要求 1.3設計任務 2．方案設計 2.1原理

2.2 具體設計方法 3．系統實施

3.1 系統開發環境 3.2系統主要功能介紹 3.3處理流程圖 3.4 核心源程序 3.5系統運行結果 4．開發心得

4.1設計存在的問題

4.2進一步改進提高的設想 4.3經驗和體會 5．參考文獻 1.設計任務 1.1 設計題目

在一個3*3的方棋盤上放置著1,2,3,4,5,6,7,8八個數碼,每個數碼占一格,且有一個空格。這些數碼可以在棋盤上移動，該問題稱八數碼難題或者重排九宮問題。

1.2 設計要求

其移動規則是：與空格相鄰的數碼方格可以移入空格。現在的問題是：對于指定的初始棋局和目標棋局，給出數碼的移動序列。

1.3 設計任務

利用人工智能的圖搜索技術進行搜索，解決八數碼問題來提高在推理中的水平，同時進行新方法的探討。

2.方案設計 2.1 原理

八數碼問題是個典型的狀態圖搜索問題。搜索方式有兩種基本的方式，即樹式搜索和線式搜索。搜索策略大體有盲目搜索和啟發式搜索兩大類。盲目搜索就是無“向導”的搜索，啟發式搜索就是有“向導”的搜索。

2.2 具體設計方法

啟發式搜索

由于時間和空間資源的限制，窮舉法只能解決一些狀態空間很小的簡單問題，而對于那些大狀態空間的問題，窮舉法就不能勝任，往往會導致“組合爆炸”。所以引入啟發式搜索策略。啟發式搜索就是利用啟發性信息進行制導的搜索。它有利于快速找到問題的解。由八數碼問題的部分狀態圖可以看出，從初始節點開始，在通向目標節點的路徑上，各節點的數碼格局同目標節點相比較，其數碼不同的位置個數在逐漸減少，最后為零。所以，這個數碼不同的位置個數便是標志一個節點到目標節點距離遠近的一個啟發性信息，利用這個信息就可以指導搜索。即可以利用啟發信息來擴展節點的選擇，減少搜索范圍，提高搜索速度。

啟發函數設定。對于八數碼問題，可以利用棋局差距作為一個度量。搜索過程中，差距會逐漸減少，最終為零，為零即搜索完成，得到目標棋局。

3.系統實施

3.1 系統開發環境

Windows操作系統、SQL Server 200X

3.2 系統主要功能介紹

該搜索為一個搜索樹。為了簡化問題，搜索樹節點設計如下： struct Chess//棋盤

3.4 核心源程序

#include “stdio.h” #include “stdlib.h” #include “time.h” #include “string.h” #include #include using namespace std;

const int N=3;//3*3棋盤

const int Max_Step=30;//最大搜索深度

enum Direction{None,Up,Down,Left,Right};//方向 struct Chess//棋盤 { int cell[N][N];//數碼數組

int Value;//評估值

Direction BelockDirec;//所屏蔽方向

struct Chess * Parent;//父節點 };

//打印棋盤

void PrintChess(struct Chess *TheChess){ printf(“----------n”);for(int i=0;i

printf(“t”);

for(int j=0;j

{

printf(“%dt”,TheChess->cell[i][j]);

}

printf(“n”);} printf(“tttt差距:%dn”,TheChess->Value);}

break;case Left:

t_j++;

if(t_j>=N)

AbleMove=false;

break;case Right:

t_j--;

if(t_j<0)

AbleMove=false;

break;};if(!AbleMove)//不可以移動則返回原節點

{

return TheChess;}

if(CreateNewChess){

NewChess=new Chess();

for(int x=0;x

{

for(int y=0;y

NewChess->cell[x][y]=TheChess->cell[x][y];

} } else

NewChess=TheChess;NewChess->cell[i][j]=NewChess->cell[t_i][t_j];NewChess->cell[t_i][t_j]=0;

return NewChess;}

//初始化一個初始棋盤

struct Chess * RandomChess(const struct Chess * TheChess)

p=NULL;queue Queue1;Queue1.push(Begin);//搜索

do{

p1=(struct Chess *)Queue1.front();

Queue1.pop();

for(int i=1;i<=4;i++)//分別從四個方向推導出新子節點

{

Direction Direct=(Direction)i;

if(Direct==p1->BelockDirec)//跳過屏蔽方向

continue;

p2=MoveChess(p1,Direct,true);//移動數碼

if(p2!=p1)//數碼是否可以移動

{

Appraisal(p2,Target);//對新節點估價

if(p2->Value<=p1->Value)//是否為優越節點

{

p2->Parent=p1;

switch(Direct)//設置屏蔽方向,防止往回推

{

case Up:p2->BelockDirec=Down;break;

case Down:p2->BelockDirec=Up;break;

case Left:p2->BelockDirec=Right;break;

case Right:p2->BelockDirec=Left;break;

}

Queue1.push(p2);//存儲節點到待處理隊列

if(p2->Value==0)//為0則,搜索完成{

p=p2;

i=5;

}

}

else

{

//打印

if(T){

/*把路徑倒序*/

Chess *p=T;

stackStack1;

while(p->Parent!=NULL)

{

Stack1.push(p);

p=p->Parent;

}

printf(“搜索結果:n”);

while(!Stack1.empty())

{

PrintChess(Stack1.top());

Stack1.pop();

}

printf(“n完成!”);}else

printf(“搜索不到結果.深度為%dn”,Max_Step);

scanf(“%d”,T);} 3.5 系統運行結果

4.開發心得

4.1 設計存在的問題

完全能解決簡單的八數碼問題，但對于復雜的八數碼問題還是無能為力。4.2 進一步改進提高的設想

可以改變數碼規模（N），來擴展成N*N的棋盤，即擴展為N數碼問題的求解過程。

2、內存泄漏。由于采用倒鏈表的搜索樹結

05.參考文獻

[1]王汝傳.計算機圖形學[M].北京：人民郵電出版社，1999：123－130.[2]劉榴娣，劉明奇，黨長民.實用數字圖像處理[M].北京：北京理工大學出版，2000：12－25..[3]丁兆海.Delphi基礎教程[M].北京：電子工業出版社，1999.[4]王小華.Delphi 5程序設計與控件參考[M].北京：電子工業出版社，1999:70－120.[5]趙子江.多媒體技術基礎[M].北京：機械工業出版社，2001：118－130.[6]段來盛，鄭城榮，曹恒.Delphi實戰演練[M].北京：人民郵政出版社，2002：80－95.

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第三篇：人工智能發展史解讀

人工智能學科誕生于20世紀50年代中期，當時由于計算機的產生與發展，人們開始了具有真正意義的人工智能的研究。（雖然計算機為AI提供了必要的技術基礎,但直到50年代早期人們才注意到人類智能與機器之間的聯系.Norbert Wiener是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調溫器.它將收集到的房間溫度與希望的溫度比較,并做出反應將加熱器開大或關小,從而控制環境溫度.這項對反饋 回路的研究重要性在于: Wiener從理論上指出,所有的智能活動都是反饋機制的結果.而反饋機制是有可 能用機器模擬的.這項發現對早期AI的發展影響很大。）

1956年夏，美國達特莫斯大學助教麥卡錫、哈佛大學明斯基、貝爾實驗室申龍、IBM公司信息研究中心羅徹斯特、卡內基——梅隆大學紐厄爾和赫伯特.西蒙、麻省理工學院塞夫里奇和索羅門夫，以及IBM公司塞繆爾和莫爾在美國達特莫斯大學舉行了以此為其兩個月的學術討論會，從不同學科的角度探討人類各種學習和其他職能特征的基礎，并研究如何在遠離上進行精確的描述，探討用機器模擬人類智能等問題，并首次提出了人工智能的術語。從此，人工智能這門新興的學科誕生了。這些青年的研究專業包括數學、心理學、神經生理學、信息論和電腦科學，分別從不同角度共同探討人工智能的可能性。他們的名字人們并不陌生，例如申龍是《信息論》的創始人，塞繆爾編寫了第一個電腦跳棋程序，麥卡錫、明斯基、紐厄爾和西蒙都是“圖靈獎”的獲獎者。

這次會議之后，在美國很快形成了3個從事人工智能研究的中心，即以西蒙和紐威爾為首的卡內基—梅隆大學研究組，以麥卡錫、明斯基為首的麻省理工學院研究組，以塞繆爾為首的IBM公司研究組。隨后，這幾個研究組相繼在思維模型、數理邏輯和啟發式程序方面取得了一批顯著的成果：

（1）1956年，紐威爾和西蒙研制了一個“邏輯理論家“（簡稱LT）程序，它將每個問題都表示成一個樹形模型,然后選擇最可能得到正確結論的那一枝來求解問題，證明了懷特黑德與羅素的數學名著《數學原理》的第2章中52個定理中的38個定理。1963年對程序進行了修改，證明了全部定理。這一工作受到了人們的高度評價，被認為是計算機模擬人的高級思維活動的一個重大成果，是人工智能的真正開端。

（2）1956年，塞繆爾利用對策論和啟發式搜索技術編制出西洋跳棋程序Checkers。該程序具有自學習和自適應能力，能在下棋過程中不斷積累所獲得的經驗，并能根據對方的走步，從許多可能的步數中選出一個較好的走法。這是模擬人類學習過程第一次卓有成效的探索。這臺機器不僅在1959年擊敗了塞繆爾本人，而且在1962年擊敗了美國一個州的跳棋冠軍，在世界上引起了大轟動。這是人工智能的一個重大突破。

（3）1958年，麥卡錫研制出表處理程序設計語言LISP，它不僅可以處理數據，而且可以方便的處理各種符號，成為了人工智能程序語言的重要里程碑。目前，LISP語言仍然是研究人工智能何開發智能系統的重要工具。

（4）1960年紐威爾、肖和西蒙等人通過心理學實驗，發現人在解題時的思維過程大致可以分為3個階段：1。首先想出大致的解題計劃；2。根據記憶中的公理、定理和解題規劃、按計劃實施解題過程；3.在實施解題過程中，不斷進行方法和目標分析，修改計劃。這是一個具有普遍意義的思維活動過程，其中主要是方法和目的的分析。（也就是人們在求解數學問題通常使用試湊的辦法進行的試湊是不一定列出所有的可能性，而是用邏輯推理來迅速縮小搜索范圍的辦法進行的），基于這一發現，他們研制了“通用問題求解程序GPS”，用它來解決不定積分、三角函數、代數方程等11種不同類型的問題，并首次提出啟發式搜索概念，從而使啟發式程序具有較普遍的意義。

（5）1961年，明斯基發表了一篇名為《邁向人工智能的步驟》的論文，對當時人工智能的研究起了推動作用。

正是由于人工智能在20世紀50年代到60年代的迅速發展和取得的一系列的研究成果，使科學家們歡欣鼓舞，并對這一領域給予了過高的希望。紐威爾和西蒙在1958年曾作出以下預言：

①不出十年，計算機將成為世界象棋冠軍，除非規定不讓它參加比賽；

②.不出十年，計算機將發現并證明那時還沒有被證明的數學定理；

③.不出十年，計算機將譜寫出具有較高美學價值并得到評論家認可的樂曲；

④不出十年，大多數心理學家的理論將采用計算機程序來形成。

非常遺憾的是，到目前為止，這樣的預言還沒有一個得到完全的實現，人工智能的研究狀況比紐威爾和西蒙等科學家的設想要復雜和艱難的多。事實上，到了20世紀70年代初，人工智能在經歷一段比較快速的發展時期后，很快就遇到了許多問題。這些問題主要表現在：

（1）1965年魯賓遜發明了歸結（消解）原理，曾被認為是一個重大的突破，可是很快這種歸結法能力有限，證明兩個連續函數之和還是連續函數，推證了十萬步竟還沒有得證。

（2）塞繆爾的下棋程序，贏得了周冠軍后，沒能贏全國冠軍。

（3）機器翻譯出了荒謬的結論。如從英語→俄語→英語的翻譯中，又一句話：“The spirit is willing but the flesh is weak”(心有余而力不足)，結果變成了”The wine is good but the meat is spoiled”(酒是好的，肉變質了)，鬧出了笑話。

（4）大腦約有10的15次方以上的記憶容量，此容量相當于存放幾億本書的容量，現有的技術條件下在機器的結構上模擬人腦是不大可能的。

（5）來自心理學、神經生理學、應用數學、哲學等各界的科學家們對人工智能的本質、基本原理、方法及機理等方面產生了質疑和批評。

由于人工智能研究遇到了困難，使得人工智能在20世紀70年代初走向低落。但是，人工智能的科學家沒有被一時的困難所嚇倒，他們在認真總結經驗教訓的基礎上，努力探索使人工智能走出實驗室，走向實用化的新路子，并取得了令人鼓舞的進展。特別是專家系統的出現，實現了人工智能從理論研究走向實際應用，從一般思維規律探索走向專門知識應用的重大突破，是人工智能發展史上的重大轉折，將人工智能的研究推向了新高潮。下面是幾個又代表性的專家系統：

（1）1968年斯坦福大學費根鮑姆教授和幾位遺傳學家及物理學家合作研制了一個化學質譜分析系統（DENDARL），該系統能根據質譜儀的數據和核磁諧振的數據，以及有關化學知識推斷有機化合物的分子結構，達到了幫助化學家推斷分子結構的作用。這是第一個專家系統，標志著人工之能從實驗室走了出來，開始進入實際應用時代。

（2）繼DENDARAL系統之后，費根鮑姆領導的研究小組又研制了診斷和治療細菌感染性血液病的專家咨詢系統MYCIN。經專家小組對醫學專家、實習醫師以及MYCIN行為進行正式測試評價，認為MYCIN的行為超過了其他所有人，尤其在診斷和治療菌血癥和腦膜炎方面，顯示了該系統作為臨床醫生實際助手的前途。從技術的角度來看，該系統的特點是：1。使用了經驗性知識，用可信度表示，進行不精確推理。2.對推理結果具有解釋功能，時系統是透明的。3.第一次使用了知識庫的概念。正是由于MYCIN基本解決了知識表示、知識獲取、搜索策略、不精確推理以及專家系統的基本結構等重大問題（是怎樣解決的呢？），對以后的專家系統產生了很大的影響。

（3）1976年，斯坦福大學國際人工智能中心的杜達等人開始研制礦藏勘探專家系統PROSPECTOR，它能幫助地質學家解釋地質礦藏數據，提供硬巖石礦物勘探方面的咨詢，包括勘探測評，區域資源估值，鉆井井位選擇等。該系統用語義網絡表示地質知識，擁有15中礦藏知識，采用貝葉斯概率推理處理不確定的數據和知識。PROSPECTOR系統于1981年開始投入實際使用，取得了巨大的經濟效益。例如1982年，美國利用該系統在華盛頓發現一處礦藏，據說實用價值可能超過1億美元。

（4）美國卡內基—梅隆大學于20世紀70年代先后研制了語音理解系統HEARSAY-I加入HEARSAY-II，它完成從輸入的聲音信號轉換成字，組成單詞，合成句子，形成數據庫查詢語句，再到情報數據庫中去查詢資料。該系統的特點是采用“黑板結構”這種新結構形式，能組合協調專家的知識，進行不同抽象級的問題求解。

在這一時期，人工智能在新方法、程序設計語言、知識表示、推理方法等方面也取得了重大進展。例如70年代許多新方法被用于AI開發,著名的如Minsky的構造理論.另外David Marr提出了機器視覺方面的新理論,例如,如何通過一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過分析這些信息,可以推斷出圖像可能是什么，法國馬賽大學的柯爾麥倫和他領導的研究小組于1972年研制成功的第一個PROLOG系統，成為了繼LISP語言之后的另一種重要的人工智能程序語言；明斯基1974年提出的框架理論；紹特里夫于1975年提出并在MYCIN中應用的不精確推理；杜達于1976年提出并在PROSPECTOR中應用的貝葉斯方法；等等

人工智能的科學家們從各種不同類型的專家系統和知識處理系統中抽取共性，總結出一般原理與技術，使人工智能又從實際應用逐漸回到一般研究。圍繞知識這一核心問題，人們重新對人工智能的原理和方法進行了探索，并在知識獲取、知識表示以及知識在推理過程中的利用等方面開始出現一組新的原理、工具和技術。1977年，在第五屆國際人工智能聯合會（IJCAI）的會議上，費根鮑姆教授在一篇題為《人工智能的藝術：知識工程課題及實例研究》的特約文章中，系統的闡述了專家系統的思想，并提出了知識工程（KnowledgeEngineering）的概念。費根鮑姆認為，知識工程是研究知識信息處理的學科，它應用人工智能的原理和方法，對那些需要專家知識才能解決的應用難題提供了求解的途徑。恰當的運用專家知識的獲取、表示、推理過程的構成與解釋，是設計基于知識的系統的重要技術問題。至此，圍繞著開發專家系統而開展的相關理論、方法、技術的研究形成了知識工程學科。知識工程的研究使人工智能的研究從理論轉向應用，從基于推理的模型轉向基于知識的模型。

為了適應人工智能和知識工程發展的需要，在政府的大力支持下，日本于1982年開始了為期10年的“第五代計算機的研制計劃”，即“知識信息處理計算機系統KIPS”，總共投資4.5億美元。它的目的是使邏輯推理達到數值運算那樣快。日本的這一計劃形成了一股熱潮，推動了世界各國的追趕浪潮。美國、英國、歐共體、蘇聯等都先后制訂了相應的發展計劃。隨著第五代計算機的研究開發和應用，人工智能進入一個興盛時期，人工智能界一派樂觀情緒。

然而，隨著專家系統應用的不斷深入，專家系統自身存在的知識獲取難、知識領域窄、推理能力弱、只能水平低、沒有分布式功能、實用性差等等問題逐步暴露出來。日本、美國、英國和歐洲所制訂對那些針對人工智能的大型計劃多數執行到20世紀80年代中期就開始面臨重重困難，已經看出達不到預想的目標。進一步分析便發現，這些困難不只是個別項目的制訂又問題，而是涉及人工智能研究的根本性問題。總的來講是兩個問題：一是所謂的交互（Interaction）問題，即傳統方法只能模擬人類深思熟慮的行為，而不包括人與環境的交互行為。另一個問題是擴展（Scaling up）問題，即所謂的大規模的問題，傳統人工智能方法只適合于建造領域狹窄的專家系統，不能把這種方法簡單的推廣到規模更大、領域更寬的復雜系統中去。這些計劃的失敗，對人工智能的發展是一個挫折。

盡管經歷了這些受挫的事件,AI仍在慢慢恢復發展.新的技術在日本被開發出來,如在美國首創的模糊邏輯,它可以從不確定的條件作出決策;還有神經網絡,被視為實現人工智能的可能途徑.1982年后，人工神經網絡像雨后春筍一樣迅速發展起來，給人們帶來了新的希望。人工神經網絡的主要特點是信息的分布存儲和信息處理的并行化，并具有自組織自學習能力，這使人們利用機器加工處理信息有了新的途徑和方法，解決了一些符號方法難以解決的問題，使人工智能的學術界興起了神經網絡的熱潮。1987年美國召開了第一次神經網絡國際會議，宣布新學科的誕生。1988年以后，日本和歐洲各國在神經網絡方面的投資逐步增加，促進了該領域的研究。但是隨著應用的深入，人們又發現人工神經元網絡模型和算法也存在問題。

20世紀80年代末，以美國麻省理工學院布魯克斯（R.A.Brooks）教授為代表的行為主義學派提出了“無須表示和推理”的智能，認為智能只在與環境的交互中表現出來，并認為研制可適應環境的“機器蟲”比空想智能機器人要好。以后，人工智能學術界充分認識到已有的人工智能方法僅限于在模擬人類智能活動中使用成功的經驗知識處理簡單的問題，開始在符號機理與神經網機理的結合及引入Agent系統等方面進一步開展研究工作。20世紀90年代，所謂的符號主義、連接主義和行動主義3種方法并存。對此，中國學者認為這3種方法各有優缺點，他們提出了綜合集成的方法，即不同的問題用不同的方法來解決，或用聯合（混合、融合）的方法來解決，再加上人工智能系統引入交互機制，系統的智能水平將會大為提高。

總而言之，盡管人工智能的發展經歷了曲折的過程，但它在自動推理、認知建模、機器學習、神經元網絡、自然語言處理、專家系統、智能機器人等方面的理論和應用上都取得了稱得上具有“智能”的成果。許多領域將知識和智能思想引入到自己的領域，使一些問題得以較好的解決。應該說，人工智能的成就是巨大的，影響是深遠的。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第四篇：人工智能論文解讀

人工智能結課論文

系別：計算機科學與技術系

班級：姓名：于靜學號：

13計算機專接本一班

知識處理

***0

摘要：進入2l 世紀，計算機硬件和軟件更新的速度越來越快，計算機這個以往總給人以冷冰冰的機器的形象也得到了徹底的改變。人機交互的情形越來越普遍，計算機被人類賦予了越來越多的智能因素。伴隨著人類把最新的計算機技術應用于各個學科，對這些學科的認知也進入了日新月異的發展階段，促使大量的新的研究成果不斷涌現。例如：“人機大戰”中深藍計算機輕松的獲勝、人類基因組排序工作的基本完成、人類大腦結構性解密、單純器官性克隆的成功實現等等。隨著計算機這個人類有史以來最重要的工具的不斷發展，伴隨著不斷有新理論的出現，人類必須重新對它們進行分析和審視。知識處理是人工智能這一科學領域的關鍵問題。本文對知識處理的核心問題之——識的表示進行了全面的綜述目前流行的知識表達方式不下十種，在此只介紹一階謂詞邏輯、產生式、語義網絡、框架、混合等目前最常用的知識表示方法。并對其進行了優缺點分析及簡單對比。最后對知識表示的發展趨向作出了展望。

關鍵詞：知識

人工智能（AI）

知識表達式

一階謂詞邏輯

產生式 語義網絡

框架

一、知識和知識的表示

1、知識的概念

知識是人類世界特有的概念，他是人類對客觀世界的一種比較準確、全面的認識和理解的結晶。(1)知識只有相對正確的特性。常言道：實踐出真理。只是源于人們生活、學習與工作的實踐，知識是人們在信息社會中各種實踐經驗的匯集、智慧的概括與積累。只是愛源于人們對客觀世界運動規律的正確認識，是從感知認識上升成為理性認識的高級思維勞動過程的結晶，故相應于一定的客觀環境與條件下，只是無疑是正確的。然而當客觀環境與條件發生改變時，知識的正確性就接受檢驗，必要時就要對原來的認識加以修改和補充，一至全部更新而取而代之。例如知道1543年哥白尼學說問世之前，人們一直都以為地球是宇宙的核心；再有：人們都知道一個關于“瞎子摸象”的故事，它通俗地說明了完整的只是形式是一個復雜的智能過程。通常人們獲取知識的重要手段是：利用信息，把各種信息提煉、概括并關聯在一起，就形成了知識。而利用信息關聯構成知識的形式有多種多樣。

(2)知識的確定與不確定性如前說述，知識有若干信息關聯的結構組成，但是，其中有的信息是精確的，有的信息卻是不精確的。這樣，則由該信息結構形成的知識也有了確定與不確定的特征。例如，在我國中南地區，根據天上出現彩虹的方向及其位置，可以預示天氣的變化。有諺語曰：“東邊日（晴天），西邊雨。”但是，這只是一種常識性經驗，并不能完全肯定或否定。再如：家有一頭秀發，一時兩鬢如霜。我們則認為家一定是年輕人，乙就是老年人嘛？不能完全肯定，因為相反的事例是很多的。比如，當年的白毛女就不是老人，而現在六十多歲的演員有一頭黑發也不足為奇。

2、知識表達及其映像原理

智能機器系統如同智能生物一樣，在運用知識進行信息交流或只能問題求解時，都需要預先進行知識表示。進而實現知識調用，達到利用知識求解問題的目的。因而只是表示是知識信息處理系統必不可少的關鍵環節。對智能機器系統而言只是表示，實際上就是對知識的一種描述或約定。其本質，就是采用某種技術模式，八所要求解決的問題的相關知識，映射為一種便于找到該問題解的數據結構。對知識進行表示的過程，實質上就是把相關只是映射（或稱為變換：Transformation；或稱為映像：Mapping；或稱為編碼：Coded）為該數據結構的過程。如圖1。

圖1 只是表達及其映射原理

如圖，其目標是要對復雜的智能性問題實現機器求解，但機器直接對原始問題求解難度很大，可采用知識表達的映射原理，把原始問題映射為它的一種同構或同態問題，然后在對同構或同態問題求出它的解答，則相對容易而方便。順便指出：同構解答與原始問題有相同的形式解，然而對于同態問題，如果得到原始解，只需對同臺解答再施行反運算即可。在自然科學實際應用研究中，利用映射（稱之為變換）原理迂回求解的思想，是一種非常有效而廣為使用的重要手段。目前比較常見的知識表達方法主要有：常用的知識表示方法：一階謂詞邏輯表示法，產生式表示法，框架表示法，語義網絡表示法，腳本表示法，過程表示法，面向對象表示法，神經網絡表示法。如圖2

二、常用知識表示法：

2.1一階謂詞邏輯表示法：

一階謂詞邏輯表示法是目前應用最廣的方法之一，在AI系統上已經得到了應用。它是通過分析命題內容和謂詞邏輯，盡可能正確地表述它的各種意境的過程。知識的謂詞邏輯表示符合人的思維習慣，可讀性好，邏輯關系表達簡便。使用謂詞邏輯既便于表達概念、狀態、屬性等事實性知識，又能方便地采用謂詞公式的表達形式，進行各種智能行為的過程性描述與演繹推理。一階謂詞的一般形式為P(x1，x2，?，xn)其中P是謂詞名，xi為個體常量、變元，或函數。例如：STUDENT(zhangsan)：zhangsan是學生

STUDENT(x)：x是學生Greater(x，5)：x>5TEACHER(father(Wanghong))：王宏的父親是教師。在一階謂詞表示法中連接詞是非常重要的其中： 連接詞：?、∨、∧、→、? 量詞：?、?

(?x)P(x)為真、為假的定義

(?x)P(x)為真、為假的定義

結合具體事例可以看到一階謂詞邏輯在知識表示法中的優越性： 李明是計算機系的學生，但他不喜歡編程。定義謂詞：

COMPUTER(x):x是計算機系的 學生

LIKE(x,y):x喜歡y 謂詞公式為：

LIKE(liming，programming)COMPUTER(liming)∧

謂詞邏輯是一種傳統經典也是最基本的形式化方法。謂詞邏輯知識表示規范性嚴，邏輯性強，自然性好，推理過程嚴密，易于實現。這些優良特性使得謂詞邏輯最早用于人工智能機器定理證明，并獲得了成功。但是必須看到，謂詞邏輯屬于標準的二值（T與F）邏輯，難以直接進行不確定性問題的處理。對于復雜系統的求解問題，容易陷入冗長演繹推理中，常常不可避免地帶來求解效率低,甚至產生“組合爆炸”問題。因此，針對謂詞邏輯，尚待人們不斷加以改進，以尋求自然性好而效率更高的技術方法。

2.2產生式表示法

目前，產生式表示方法是專家系統的第一選擇的知識表達方式。是美國數學家Post在1943年提出了一種計算形式體系里所使用的術語。產生式表示的基本形式為：（1）確定性知識的表示：

產生式形式：P→Q或者IF P THEN Q 它的含義：如果前提P滿足，則可以推出結論Q或執行Q操作。例如：IF CLEAR(B)AND HANDEMPTYTHEN Pickup(B)如果積木B上是空的，且機械手空，則機械手從桌面上抓起積木B。（2）不確定知識的表示：

產生式形式：P→Q（置信度）或者IF P THEN Q（置信度）在不確定推理中，當已知事實與前提P不能精確匹配時，只要按照“置信度”的要求達到一定的相似度，就認為已知事實與前提條件相匹配，再按照一定的算法將這種可能性（不確定性）傳遞到結論Q。

產生式表示法其優點在于模塊性。規則與規則之間相互獨立靈活性。知識庫易于增加、修改、刪除自然性。方便地表示專家的啟發性知識與經驗透明性。易于保留動作所產生的變化、軌跡，但仍有不少缺點：知識庫維護難。效率低。為了模塊一致性理解難。由于規則一致性彼此之間不能調用。

2.3 語義網絡表達式

語義網絡是人工智能常用的知識表示法之一。是一種使用概念及其語義關系來表達知識的有向圖。它作為人類聯想記憶的一個顯示心理學模型，是由J.R.Quillian于1968年在他的博士論文中首先提出，并用于自然語言處理。語義網絡結構共使用了三種圖形符號：框、帶箭頭及文字標識的線條和文字標識線。分別稱為:（1）節(結)點;弧(又叫做邊或支路);指針。

（2）節點(Node)：也稱為結點。用圓形、橢圓、菱形或長方形的框圖來表示，用來表示事物的名稱、概念、屬性、情況、動作、狀態等。

（3）弧(Arc)：這是一種有向弧，又稱之為支路（Branch）。節點之間用帶箭頭及文字標識的有向線條來聯結，用以表示事物之間的結構，即語義關系。

（4）指針(Pointer)：也叫指示器。是在節點或者弧線的旁邊，另外附加必要的線條及文字標識，用來對節點、弧線和語義關系作出相宜的補充、解釋與說明。

語義網絡是一種結構化知識表示方法，具有表達直觀，方法靈活，容易掌握和理解的特點。概括起來，主要優點在于采用語義關系的有向圖來連接，語義、語法、詞語應用兼顧，具有描述生動，表達自然，易于理解等。

雖然語義網絡知識表示和推理具有較大的靈活性和多樣性，但是沒有公認嚴密的形式表達體系，卻不可避免地帶來了非一致性和程序設計與處理上的復雜性，這也是語義網絡知識表示尚待深入研究解決的一個課題。

2.4．框架表式式

框架表示法誕生于1975年，這也是一種結構化的知識表示方法，并已在多種系統中得到成功的應用。框架理論是由人工智能科學創始人之一，美國著名的人工智能學者M.L.Minsky(明斯基)提出來的。

自然界各種事物都可用框架(Frame)組織構成。每個被定義的框架對象分別代表著不同的特殊知識結構，從而可在大腦或計算機中表示、存儲并予以認識、理解和處理。框架是一種被用來描述某個對象（諸如一個事物、一個事件或一個概念）屬性知識的數據結構。下面是一個關于“大學教師”的框架設計模式。

n

框架名：

〈大學教師〉 n

姓名：

單位（姓，名）n

年齡：

單位（歲）

n

性別：

范圍(（男，女）缺省：男)n

學歷：

范圍（學士，碩士，博士）

n

職稱：

范圍(（教授，副教授，講師，助教）缺省：講師)n

部門：

范圍（學院（或系、處）n

住址：

〈住址框架〉 n

工資：

〈工資框架〉 n

參加工作時間：

單位（年，月）

n

健康狀況：

范圍（健康，一般，較差）n

其它：

范圍（〈個人家庭框架〉，〈個人經濟狀況框架〉）

上述框架共有十一個槽，分別描述了關于“大學教師”的十一個方面的知識及其屬性。在每個槽里都指定了一些說明性的信息，表明了相關槽的值的填寫要有某些限制。框架表示法支持上層框架概念抽象和下層框架信息繼承共享的思想，不僅減少了框架信息和屬性知識表達的冗余，而且保證了上、下層框架知識表達的一致性。

主要缺點：框架表示法過于死板，難以描述諸如機器人糾紛等類問題的動態交互過程生動性。

三、各知識表達式的比較與展望

以上若知識表達方法，絕大多數在應用中得到了很好的應用。但實際工作中，如果要建立一個人工智能系統、專家系統時，還是要根據具體情況提出一個混合性的知識表達方式。每一種知識表示方法各有特點，而且適用的領域也不同：

（1）謂詞邏輯方法只適用于確定性、陳述性、靜態性知識，而對動態的、變化性、模糊性知識則很難表示。

（2）產生式規則方法推理方法太單一，如果前提條件太多，或規則條數太多，則推理的速度將慢得驚人。

（3）語義網絡方法表達的知識面比較窄。（4）框架方法表示的知識橫向關系不太明確。（縱向從屬繼承關系很明確）

因此，對于復雜的、深層次的知識，應根據需要表示知識的特征，來決定用二種或三種方法聯合表示，例如：

（1）邏輯與框架：框架里的槽值可以對應于謂詞項。

（2）語義網絡與框架：結點對應與框架，結點的參數就是框架的槽值。

（3）產生式與框架：框架的槽值對應于一條產生式規則。與神經網絡結合。

參考文獻：

[1] 蔡之華；模糊Petri網及知識表示 [J];計算機應用與軟件；1994年03期 [2].張科杰,袁國華,彭穎紅； 知識表示及其在機械工程設計中的應用探討[J];

機械設計；2004年06期。

[3].劉曉霞。新的知識表示方法——概念圖［Ｊ］。航空計算技術。1997（4）。[4].王永慶人工智能原理與方法［Ｍ］。西安交通大學出版社。1998。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第五篇：人工智能課程論文解讀

人工智能課程論文

題目：人工智能：用科學解密生命與智慧

姓

名：

學

號：

指導老師：

人工智能：用科學解密生命與智慧

摘要

本文是對人工智能及其應用的一個綜述。首先介紹了人工智能的理論基礎以其與人類智能的區別和聯系。然后簡要介紹了人工智能的發展現狀以及未來趨勢，并列舉了一些人工智能在生活中的應用。對人工智能的一個熱門分支——神經計算進行了著重介紹，人工神經網絡通過模擬人腦的學習機制，將人工智能的重點從符號表示可靠的推理策略問題轉化到學習和適應的問題，描述了其在字符識別問題上的實際應用。

人工智能：用科學解密生命與智慧

目錄

一，人工智能與人類智能..............................................................................................4

1，什么是智能？.................................................................................................4 2，機器智能不等同于人類智能.........................................................................5 二，人工智能當前進展..................................................................................................6 三，人工智能在生活中的應用......................................................................................7 四，人工智能的前沿分支：神經計算..........................................................................9

1，人工神經網絡：從大腦得到靈感.................................................................9 2，神經網絡應用實例：基于Deep autoencoder的字符圖像識別...............10 五，人工智能未來發展趨勢........................................................................................12 小結................................................................................................................................13 參考文獻........................................................................................................................1

4人工智能：用科學解密生命與智慧

一，人工智能與人類智能

人工智能（Artificial Intelligence，AI）是計算機科學的一個分支，它關心智能行為的自動化。AI是計算機科學的一部分，因而必須建立在堅實的理論知識之上并應用于計算機科學領域。它是研究、開發用于模擬、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。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。1，什么是智能？

雖然大多數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雜性。

這樣實現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、預測或可視化工具實現，能夠使得人類使用者完成復雜的任務。例如：用語言理解的馬爾可夫模型，提供新數學理論的自動推理系統，通過大腦皮層網跟蹤信號的動態貝葉斯網絡，以及基因表達的數據模式的可視化，等等。

因此，定義人工智能完全領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的能力的總稱？在多大程度上可以說智能是學到的不是預先存在的？準確的說，學習時發生什么？什么是創造力？什么是直覺？智能是從可觀察行為推斷出的，還是需要特定內部機制的證據？在一個生物體的神經組織中，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行來進行測試和驗證。

人工智能：用科學解密生命與智慧

2，機器智能不等同于人類智能

瑪麗·雪萊在她的《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學說，以及有關生命原理的問題，并且談到這些原理有否可能曾被發現和討論過。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，它開始自發運動。難道生命不是這樣形成的嗎？或許死尸還可能復活；流電電流實驗已經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）。

瑪麗·雪萊告訴我們，諸如達爾文的進化論和發現電流這樣的科學進步已經使普通民眾相信：自然法則并非奧妙無窮，而是可以被系統分析和理解的。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世紀的科學還不足以使人認識到理解和創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分析中。也就是說，人可以讓機器擁有所謂的“智能”。[1] 1936年，哲學家阿爾弗雷德·艾耶爾思考心靈哲學問題：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別。

1950年，圖靈發表了一篇劃時代的論文，文中預言了創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疑。[2] 圖靈測試是人工智能哲學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

人工智能：用科學解密生命與智慧

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展的一個里程碑事件，但專家警告稱，這項技術可用于網絡犯罪。[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。其中一個重要的質疑時它偏向于純粹的符號求解任務。它并不測試感知技能或要實現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學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，比如快速準確的處理數據，長久的存儲數據，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。人們為智能活動提供了一種原型實例，一些應用（比如診斷理解）通常有意地將模型建立在該領域的權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、有待研究的科學挑戰。

二，人工智能當前進展 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，人工智能技術已經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域之一就是邏輯推理。有關定理的證明就是讓機器證明非數值性的真假。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據庫中的有效事實，關注可信度證明，并在出現新信息時適時修改這些證明。[2] 3 人工智能應用之自然語言的處理

智能的另一表現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

人工智能：用科學解密生命與智慧

無阻礙的溝通，這正是人工智能技術應用于實際領域的典型范例。目前此領域的主要研究內容是：如何利用計算機系統以主題和對話情境為基礎，生成和理解自然語言。[3] 4 人工智能應用之模式的識別

如何使機器具有感知能力也是智能的表現。模式的識別是利用人工智能技術開發智能機器的關鍵，主要是通過計算機用數學技術方法來研究模式的自動處理和判讀，讓計算機實現“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 人工智能應用之智能信息的檢索技術

在科學技術飛速發展的今天，人類已進入了“知識爆炸”的時代。傳統檢索系統已經滿不足了對如今如此數量巨大以及種類繁多的文獻檢索要求。人工智能科技持續穩定發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的運用勢在必行。人工智能應用之專家系統

我們常說的專家系統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，從而也被稱為知識基系統。專家系統是人工智能技術中研究最活躍，最有成效的一個領域。現在的專家系統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。人工智能應用之機器人學

機器人對我們并不陌生，已在多個領域獲得了越來越普遍的應用，諸如農業、工業、商業、旅游業、航空和海洋等。那么，機器人學所研究的問題主要包括從機器人手臂的最佳移動到實現機器人目標的動作序列的規劃方法。機器人和機器人學的研究對人工智能思想的發展都起到了促進作用。

三，人工智能在生活中的應用

? 計算機科學

人工智能產生了許多方法解決計算機科學最困難的問題。它們的許多發明已

人工智能：用科學解密生命與智慧

被主流計算機科學采用，而不認為是AI的一部份。下面所有內容原在AI實驗室發展：時間分配，介面演繹員，圖解用戶介面，計算機鼠標，快發展環境，聯系表數據結構，自動存儲管理，符號程序，功能程序，動態程序，和客觀指向程序。[3] ? 金融

銀行用人工智能系統組織運作，金融投資和管理財產。2001年8月在模擬金融貿易競賽中機器人戰勝了人。

金融機構已長久用人工神經網絡系統去發覺變化或規范外的要求，銀行使用協助顧客服務系統；幫助核對帳目，發行信用卡和恢復密碼等。? 醫院和醫藥

醫學臨床可用人工智能系統組織病床計劃；并提供醫學信息。

人工神經網絡用來做臨床診斷決策支持系統。計算機幫助解析醫學圖像。這樣系統幫助掃描數據圖像，從計算X光斷層圖發現疾病，典型應用是發現腫塊、心臟聲音分析。? 重工業

在工業中已普遍應用機器人。它們常做對人是危險的工作。全世界日本是利用和生產機器人的先進國；1999年世界范圍使用1,700,000臺機器人。? 顧客服務

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。呼叫中心的回答機器也用類似技術，如語言識別軟件可使計算機的顧客較好操作。? 運輸

汽車的變速箱已使用模糊邏輯控制器。? 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。? 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民用產品。現在，大眾在生活的許多方面都在應用人工智能技術。? 音樂

人工智能：用科學解密生命與智慧

技術常會影晌音樂的進步，科學家想用人工智能技術盡量趕上音樂家的活動；現正集中在研究作曲，演奏，音樂理論，聲音加工等。

四，人工智能的前沿分支：神經計算

1，人工神經網絡：從大腦得到靈感

神經計算科學是從信息科學的角度來研究如何加速神經網絡模仿和延伸人腦的高級精神活動，如聯想、記憶、推理、思維及意識等智能行為。這涉及到腦科學、認知科學，神經生物學、非線性科學、計算機科學、數學、物理學諸學科的綜合集成。它是綜合研究和實現類腦智能信息系統的一個新思想和新策略。[6] 深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習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，以發現數據的分布式特征表示。

一個神經網絡的結構示意圖如圖1所示

圖1 神經網絡的結構示意圖

神經網絡將人工智能的重點從符號表示和可靠的推理策略問題轉移到學習和適應的問題。同人和其他動物一樣，神經網絡是適應世界的一種機制：經過訓練的神經網絡結果是通過學識形成的。這種網絡是通過和世界交互形成的，通過經驗的不明確痕跡反映出來。神經網絡的這種途徑對我們理解智能起了極大的作用。

人工神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網絡與其它傳統方法相結合，將推動人工智能和信息處理技術不斷發展。近年來，人工神經網絡正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、人工智能：用科學解密生命與智慧

進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。

神經網絡在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、并行處理、自學習、自組織以及非線性映射等優點的神經網絡與其他技術的結合以及由此而來的混合方法和混合系統，已經成為一大研究熱點。由于其他方法也有它們各自的優點，所以將神經網絡與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前這方面工作有神經網絡與模糊邏輯、專家系統、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。

2，神經網絡應用實例：基于Deep autoencoder的字符圖像識別

深度信念網絡(Deep Belief Network, DBN)[7]由 Geoffrey Hinton 在 2006 年提出。它是一種生成模型，通過訓練其神經元間的權重，我們可以讓整個神經網絡按照最大概率來生成訓練數據。我們不僅可以使用 DBN 識別特征、分類數據，還可以用它來生成數據。

DBN 由多層神經元構成，這些神經元又分為顯性神經元和隱性神經元（以下簡稱顯元和隱元）。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，組成聯合內存(associative memory)。較低的其他層之間有連接上下的有向連接。最底層代表了數據向量(data vectors)，每一個神經元代表數據向量的一維。

DBN 是由多層 RBM 組成的一個神經網絡，它既可以被看作一個生成模型，也可以當作判別模型，其訓練過程是：使用非監督貪婪逐層方法去預訓練獲得權值。訓練過程：

1.首先充分訓練第一個 RBM；

2.固定第一個 RBM 的權重和偏移量，然后使用其隱性神經元的狀態，作為第二個 RBM 的輸入向量；

人工智能：用科學解密生命與智慧

3.充分訓練第二個 RBM 后，將第二個 RBM 堆疊在第一個 RBM 的上方； 4.重復以上三個步驟任意多次；

5.如果訓練集中的數據有標簽，那么在頂層的 RBM 訓練時，這個 RBM 的顯層中除了顯性神經元，還需要有代表分類標簽的神經元，一起進行訓練： a)假設頂層 RBM 的顯層有 500 個顯性神經元，訓練數據的分類一共分成了 10 類；

b)那么頂層 RBM 的顯層有 510 個顯性神經元，對每一訓練訓練數據，相應的標簽神經元被打開設為 1，而其他的則被關閉設為 0。6.DBN 被訓練好后如下圖：

圖2 訓練好的深度信念網絡。圖中的綠色部分就是在最頂層 RBM 中參與訓練的標簽。注意調優(FINE-TUNING)過程是一個判別模型

調優過程(Fine-Tuning)：

生成模型使用 Contrastive Wake-Sleep 算法進行調優，其算法過程是：

1.除了頂層 RBM，其他層 RBM 的權重被分成向上的認知權重和向下的生成權重；

2.Wake 階段：認知過程，通過外界的特征和向上的權重(認知權重)產生每一層的抽象表示(結點狀態)，并且使用梯度下降修改層間的下行權重(生成權重)。也就是“如果現實跟我想象的不一樣，改變我的權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(醒時學得的概念)和向下權重，生成底

人工智能：用科學解密生命與智慧

層的狀態，同時修改層間向上的權重。也就是“如果夢中的景象不是我腦中的相應概念，改變我的認知權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，人工智能未來發展趨勢

科學技術是第一生產力，但技術的發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，未來人工智能技術的發展有如下幾大趨勢： 1 問題求解

問題求解一般包括兩種，一種是指解決管理活動中由于意外引起的非預期效應或與預期效應之間的偏差。正在逐漸發展成為搜索和問題歸約這類人工智能的基本技術；另一種問題的求解程序，是把各種數學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家應用，甚至還有些程序能夠用經驗來改善其性能。2 機器學習

人工智能研究的核心課題之一就是機器學習。我們知道學習是人類智能的重要特征，那么機器學習就是指機器自動獲取知識的過程。機器學習是機器獲取知識的根本途徑，也是機器智能的重要標志。計算機的機器學習主要研究內容為如何讓計算機模擬或實現人類的學習能力。今后機器學習的研究主要是研究人腦思維的過程、人類學習的機理等。3 模式識別

用計算機實現模式(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，識別和理解周圍環境。依然是人工智能技術今后研究的重要方向。因為模式識別能為人類

人工智能：用科學解密生命與智慧

認識自身智能提供線索，也是開發智能機器的一個最關鍵的突破口。目前計算機模式識別系統的研究熱點主要為三維景物、活動目標的識別和分析方面。傳統的用統計模式和結構模式的識別方法將會被近年來迅速發展起來的模糊數學模式、人工神經網絡模式的方法逐漸取代，特別是神經網絡方法在模式識別中取得較大進展。4 專家系統

專家系統是根據某領域中一個或多個專家提供的知識或經驗，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雜問題的智能軟件，它是一個具有大量的專門知識與經驗的程序系統。目前各種專家系統已遍布各個專業領域，因此專家系統還將是人工智能應用研究最廣泛和最活躍的應用領域之一。5 人工神經網絡

人工神經網絡，常被簡稱為神經網絡或類神經網絡。是未來人工智能應用的新領域，人工神經網絡是指由大量處理單元（神經元）互連而成的網絡。人工神經網絡具有很強的自學習能力，主要擅長處理復雜的多維的非線性問題，不但可以解決定量的問題，還可以解決定性的問題，同時人工神經網絡還具有大規模并行處理和分布的信息存儲能力。或許未來智能計算機的結構可能就是作為主機的馮? 諾依曼型機與作為智能外圍的人工神經網絡的結合。

小結

人工智能是一個年輕而充滿希望的研究領域，其宗旨是尋找一種有效的方式把智能問題求解、規劃和通信技巧應用在更廣泛的實際問題中。人工智能的工作者是工具的制造者。我們的表示、算法和語言都是一些工具，用來設計和建立那些展現智能行為的機制。通過實驗，我們同時檢驗了它們解決問題的計算合適性，也檢驗了我們對智能現象的理解。然而，人工智能仍有很多尚待解答的問題，需要探索和研究。

人工智能：用科學解密生命與智慧

參考文獻

[1] Artificial intelligence507, 28 July 2006.讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根