目錄
正文
第一篇：人工智慧學習心得
人工智慧學習心得
對人工智慧的理解
通過這學期的學習，我對人工智慧有了一定的感性認識，個人覺得人工智慧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。人工智慧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，人工智慧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慧才能完成的複雜工作。 人工智慧的定義可以分為兩部分，即“人工”和“智慧”。“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，或者人自身的智慧程度有沒有高到可以創造人工智慧的地步，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“智慧”，就問題多多了。這涉及到其它諸如意識、自我、思維等等問題。人唯一瞭解的智慧是人本身的智慧，這是普遍認同的觀點。但是我們對我們自身智慧的理解都非常有限，對構成人的智慧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“智慧”了。關於人工智慧一個大家比較容易接受的定義是這樣的： 人工智慧是人造的智慧,是電腦科學、邏輯學、認知科學交叉形成的一門科學，簡稱ai。
人工智慧的發展歷史大致可以分為這幾個階段：
第一階段：50年代人工智慧的興起和冷落
人工智慧概念首次提出後，相繼出現了一批顯著的成果，如機器定理證明、跳棋程式、通用問題s求解程式、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，使人工智慧走入了低谷。
第二階段：60年代末到70年代，專家系統出現，使人工智慧研究出現新高潮。 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，將人工智慧引向了實用化。並且，1969年成立了國際人工智慧聯合會議
第三階段：80年代，隨著第五代計算機的研製，人工智慧得到了很大發展。 日本1982年開始了”第五代計算機研製計劃”，即”知識資訊處理計算機系統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慧的熱潮。
第四階段：80年代末，神經網路飛速發展。
1987年，美國召開第一次神經網路國際會議，宣告了這一新學科的誕生。此後，各國在神經網路方面的投資逐漸增加，神經網路迅速發展起來。
第五階段：90年代，人工智慧出現新的研究高潮
由於網路技術特別是國際互連網的技術發展，人工智慧開始由單個智慧主體研究轉向基於網路環境下的分散式人工智慧研究。不僅研究基於同一目標的分散式問題求解，而且研究多個智慧主體的多目標問題求解，將人工智慧更面向實用。另外，由於hopfield多層神經網路模型的提出，使人工神經網路研究與應用出現了欣欣向榮的景象。人工智慧已深入到社會生活的各個領域。
對人工智慧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？人工智慧的神話是否會發生
在當前社會中的呢 ？
在黑客帝國的世界裡，程式設計師成為了耶穌，控制著整個世界，黑客帝國之所以成為經典，我認為，不是因為飛來飛去的超級人物，而是因為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年以後會不會是智慧機器統治了世界？
人類正向資訊化的時代邁進，資訊化是當前時代的主旋律。資訊抽象結晶為知識，知識構成智慧的基礎。因此，資訊化到知識化再到智慧化，必將成為人類社會發展的趨勢。人工智慧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，智慧化的例子也屢見不鮮。在軍事、工業和醫學等領域中人工智慧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。
智慧是一個寬泛的概念。智慧是人類具有的特徵之一。然而，對於什麼是人類智慧（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為“中樞神經系統的功能”，有人從心理學角度定義為“進行抽象思維的能力”，甚至有人同義反復地把它定義為“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慧的確切內涵。
雖然難於下定義，但人工智慧的發展已經是當前資訊化社會的迫切要求，同時研究人工智慧也對探索人類自身智慧的奧祕提供有益的幫助。所以每一次人工智慧技術的進步都將帶動電腦科學的大跨步前進。如果將現有的計算機技術、人工智慧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慧的目的，一方面是要創造出具有智慧的機器，另一方面是要弄清人類智慧的本質，因此，人工智慧既屬於工程的範疇，又屬於科學的範疇。通過研究和開發人工智慧，可以輔助，部分替代甚至拓寬人類的智慧，使計算機更好的造福人類。
人工智慧研究的近期目標；是使現有的計算機不僅能做一般的數值計算及非數值資訊的資料處理，而且能運用知識處理問題，能模擬人類的部分智慧行為。按照這一目標，根據現行的計算機的特點研究實現智慧的有關理論、技術和方法，建立相應的智慧系統。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。隨著社會的發展，技術的進步，人工智慧的發展是任何人都無法想象的。通過對人工智慧的學習，以及與所聽所見所聞的結合，我大膽的對未來人工智慧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慧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慧化計算機、網際網路、收音機、電視機和行動電話，遠端醫療和遠端保健等遠端服務變得更為完善。
3、智慧化計算機和網際網路在教育中扮演了重要角色，遠端教育十分普及。
4、隨著資訊科技、生物技術和奈米技術的發展，人工智慧科學逐漸完善。
5、許多植入了晶片的人體組成了人體通訊網路（以後甚至可以不用植入任何晶片）。比如，將微型超級計算機植入人腦，人們就可通過植入的晶片直接進行通訊。
6、抗病毒程式可以防止各種非自然因素引發災難。
7、隨著人工智慧的加速發展，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資料，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式。
三、自我發展階段（2014—2014年）：
1、智慧化計算機和網際網路既能自我修復，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，促使智慧化向更高層次發展。
3、用可植入晶片實現人類、計算機和鯨目動物之間的直接通訊，在以後的發展中甚至不用植入晶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為，使人們不受機器人的侵害。
5、高水準的智慧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、資訊化的世界進一步發展成全息模式的世界。
2、人工智慧系統可從環境中採集全息資訊，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、人工智慧可以模仿人類的智慧，因此會出現有關法律來規範這些行為。 人工智慧一但擁有長足的進步，必將帶動其他計算機技術的發展。 網路化將虛擬的世界變得無限大，屆時，足不出戶將成為一種習慣。人工智慧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慧的學習所收穫的總結。人工智慧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，一個全新的人工智慧世界。
第二篇：人工智慧學習論文
20147932唐雪琴
人工智慧研究最新進展綜述
一、 研究領域
在大多數數學科中存在著幾個不同的研究領域，每個領域都有著特有的感興趣的研究課題、研究技術和術語。在人工智慧中，這樣的領域包括自然語言處理、自動定理證明、自動程式設計、智慧檢索、智慧排程、機器學習、專家系統、機器人學、智慧控制、模式識別、視覺系統、神經網路、agent、計算智慧、問題求解、人工生命、人工智慧方法、程式設計語言等。
在過去50多年裡，已經建立了一些具有人工智慧的計算機系統；例如，能夠求解微分方程的，下棋的，設計分析積體電路的，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慧的計算機系統。人工智慧是一種外向型的學科，它不但要求研究它的人懂得人工智慧的知識，而且要求有比較紮實的數學基礎，哲學和生物學基礎，只有這樣才可能讓一臺什麼也不知道的機器模擬人的思維。因為人工智慧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，因為人工智慧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慧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慧研究的領域。人工智慧就是為了應用機器的長處來幫助人類進行智力活動。人工智慧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，人工智慧的研究和應用出現了許多新的領域，它們是傳統人工智慧的延伸和擴充套件。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。這些新領域有分散式人工智慧與艾真體（agent）、計算智慧與進化計算、資料探勘與知識發現，以及人工生命等。下面逐一加以概略介紹。
1、分散式人工智慧與艾真體
分散式人工智慧（distributed ai，dai）是分散式計算與人工智慧結合的結果。dai系統以魯棒性作為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資訊和協同工作的能力。
分散式人工智慧的研究目標是要建立一種能夠描述自然系統和社會系統的精確概念模型。dai中的智慧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，包括分散式問題求解和多艾真體系統（multiagent system，mas）兩領域。其中，分散式問題求解把一個具體的求解問題劃分為多個相互合作和知識共享的模組或結點。多艾真體系統則研究各艾真體間智慧行為的協調，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，但分散式問題求解往往含有一個全域性的概念模型、問題和成功標準，而mas則含有多個區域性的概念模型、問題和成功標準。
mas更能體現人類的社會智慧，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，已成為人工智慧以至電腦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、通訊和互動技術、mas學習和應用等。mas已在自動駕駛、機器人導航、機場管理、電力管理和資訊檢索等方面獲得應用。
2、計算智慧與進化計算
計算智慧（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為依據來設計、控制和優化人工系統的技術和方法的總稱，它包括遺傳演算法（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，這些都統稱為進化計算方法。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，如平行計算、機器學習、電路設計、神經網路、基於艾真體的模擬、元胞自動機等。
達爾文進化論是一種魯棒的搜尋和優化機制，對電腦科學，特別是對人工智慧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。自然選擇決定了群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，遺傳演算法、進化規劃、進化策略三個領域的研究才開始交流，並發現它們的共同理論基礎是生物進化論。因此，把這三種方法統稱為進化計算，而把相應的演算法稱為進化演算法。
3、資料探勘與知識發現
知識獲取是知識資訊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。資料探勘和知識發現是90年代初期新崛起的一個活躍的研究領域。在資料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，從大量的資料中提煉出抽象的知識，從而揭示出蘊涵在這些資料背後的客觀世界的內在聯絡和本質規律，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。
從資料庫獲取知識，即從資料中挖掘並發現知識，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，因為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，資料探勘取得突破。越來越多的研究者加入到知識發現和資料探勘的研究行列。現在，知識發現和資料探勘已成為人工智慧研究的又一熱點。
比較成功的知識發現系統有用於超級市場商品資料分析、解釋和報告的
coverstory系統，用於概念性資料分析和查尋感興趣關係的整合化系統explora，互動式大型資料庫分析工具kdw，用於自動分析大規模天空觀測資料的skicat系統，以及通用的資料庫知識發現系統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為特徵的模擬系統或模型系統。自然生命系統行為具有自組織、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為，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，把器官作為簡單機構的巨集觀群體來考察，自底向上進行綜合，把簡單的由規則支配的物件構成更大的集合，並在互動作用中研究非線性系統的類似生命的全域性動力學特性。
人工生命的理論和方法有別於傳統人工智慧和神經網路的理論和方法。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模擬，對相關非線性物件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、人工建模與模擬、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、計算機程序、進化機器人、自催化網路、細胞自動機、人工核苷酸和人工腦等。
三、 學了人工智慧課程的收穫
（1）瞭解人工智慧的概念和人工智慧的發展，瞭解國際人工智慧的主要流派和路線，瞭解國內人工智慧研究的基本情況，熟悉人工智慧的研究領域。
（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，熟悉語義網路法，瞭解知識表示的其他方法，如框架法、劇本法、過程法等。
（3）掌握了盲目搜尋和啟發式搜尋的基本原理和演算法，特別是寬度優先搜尋、深度優先搜尋、等代價搜尋、啟發式搜尋、有序搜尋、a*演算法等。瞭解博弈樹搜尋、遺傳演算法和模擬退火演算法的基本方法。
（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慧的主要應用領域，如專家系統、機器學習、規劃系統、自然語言理解和智慧控制等。
（6）基本瞭解人工智慧程式設計的語言和工具。
四、 對人工智慧研究的展望
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慧技術，包括智慧設計、虛擬製造、線上分析、智慧排程、模擬和規劃等。金融業，股票商利用智慧系統輔助其分析，判斷和決策；應用卡欺詐檢測系統業已得到普遍應用。人工智慧還滲透到人們的日常生活，cad，cam，cai，cap，cims等一系列智慧產品給大家帶來了極大的方便，它還改變了傳統的通訊方式，語音撥號，手寫簡訊的智慧手機越來越人性化。
人工智慧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.裡維斯主演的《黑客帝國》系列以及斯皮爾伯格導演的《人工智慧》，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慧？如何看待具有智慧的機器？會不會有一天機器的智慧將超過人的智慧？問題的答案也許千差萬別，我個人認為上述擔心不太可能成為現實，因為我們理解人工智慧並不是讓它取代人類智慧，而是讓它模擬人類智慧，從而更好地為人類服務。
當前人工智慧技術發展迅速，新思想，新理論，新技術不斷湧現，如模糊技術，模糊--神經網路，遺傳演算法，進化程式設計，混沌理論，人工生命，計算智慧等。以agent概念為基礎的分散式人工智慧正在異軍突起，特別是對於軟體的開發，“面向agent技術”將是繼“面向物件技術”後的又一突破。從全球資訊網到人工智慧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著重講解重點知識，以及講述在一些研究成
果中人工智慧那些知識被應用。
（2） 多推薦一些過於人工智慧方面的電影，如：《終結者》系列、《黑客帝國》
系列、《人工智慧》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，增強同學對人工智慧的興趣，加強同學之間的學習。
（4） 課堂上多講解一些人工智慧在各個領域方面的應用，以及著重闡述一些
新的和正在研究的人工智慧方法與技術，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慧的理解。
第三篇：《人工智慧》學習報告
深圳大學碩士研究生課程作業—人工智慧
《人工智慧》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
人工智慧(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《人工智慧》(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慧領域的興趣。人工智慧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為之奉獻才智，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著ai技術的實驗。
一直以來，關於人工智慧的理論，我一直認為是科學的前沿，理解起來較為飄渺。但是，從本學期《人工智慧》課程的學習中，本人較系統的接觸到了關於人工智慧的理論，從有限的課程中，通過老師的詳細介紹和查閱人工智慧方面的書籍，學習了關於人工智慧幾個主要方面的知識，如模糊控制、專家系統、神經網路等。下面是本人關於人工智慧理論的一些基本認識。
2. 人工智慧的形成與發展
說到人工智慧，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，其主要分為三個階段：
第一階段是40年代興起的以調節原理為標誌，稱為經典控制理論階段；
第二階段是以60年代興起的以狀態空間為標誌，稱為現代控制理論階段；
第三階段是80年代興起的智慧控制理論階段
智慧控制是在控制論人工智慧系統論和資訊理論等多學科的高度綜合與整合，是一門新興的交叉前沿學科。智慧控制技術，即是在無人干預的情況下能自主地驅動智慧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，在研究和設計智慧系統時，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，即智慧控制的關鍵問題不是設計常規控制器，而是研製智慧機器的模型。此外，智慧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。為了完成這些任務，需要採用符號資訊處理、啟發式程式設計、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“智慧”。
隨著人工智慧和計算機技術的發展，已經有可能把自動控制和人工智慧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、資訊理論)結合起來，建立一種適用於複雜系統的控制理論和技術。智慧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慧進行控制的研究領域。1965年，傅京孫首先提出把人工智慧的啟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慧控制學術討論會。1987年又在美國召開了智慧控制的首屆國際學術會議，標誌著智慧控制作為一個新的學科分支得到承認。智慧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
在傳統的控制領域裡，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，系統動態的資訊越詳細，則越能達到精確控制的目的。然而，對於複雜的系統，由於變數太多，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，則顯得無能為力了。因此便嘗試著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，智慧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：定義變數、模糊化、知識庫、邏輯判斷及反模糊化，詳細如下：
(1) 定義變數：也就是決定程式被觀察的狀況及考慮控制的動作，例如在一般控制問題上，輸入變數有輸出誤差e與輸出誤差之變化率ce，而控制變數
則為下一個狀態之輸入u。其中e、ce、u統稱為模糊變數。
(2) 模糊化（fuzzify）：將輸入值以適當的比例轉換到論域的數值，利用口語化變數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，此口語化變數我們稱之為模糊子集合（fuzzy subsets）。
(3) 知識庫：包括資料庫（data base）與規則庫（rule base）兩部分，其中資料庫是提供處理模糊資料之相關定義；而規則庫則藉由一群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為明確的控制訊號，做為系統的輸入值。
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為狀態評估和目標評估兩種。但都是以模糊控制為基礎，達到自動控制的目的。
4. 專家系統
專家系統(expert system)是人工智慧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慧程式系統。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為特點。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，而且在系統的人機介面、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啟發性、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，採用多種人工智慧語言，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、人工神經網路知識獲取及學習機制等最新人工智慧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、任務型別等分類。如按任務型別來劃分，常見的有解釋型、預測型、診斷型、除錯型、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式系統。
5. 神經網路
由於神經網路是多學科交叉的產物，各個相關的學科領域對神經網路都有各自的看法，因此，關於神經網路的定義，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“神經網路是由具有適應性的簡單單元組成的廣泛並行互連的網路，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互動反應。”
人工神經網路是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於資訊的分散式儲存和並行協同處理。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路系統所能實現的行為卻是極其豐富多彩的。
6. 小結
關於人工智慧的學習，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慧學習的學生，瞭解如模糊控制、專家系統、神經網路等人工智慧的知識入門尤為重要，為將來進一步學習人工智慧的理論打下基礎，並將理論應用於生活和工作當中，這才是學習的最終目的。
參考文獻：
《人工智慧控制》作者：蔡自興，出 版 社：化學工業出版社， 2014-7-1
第四篇：對人工智慧學習的感想
學校：
學院：班級：
姓名：學號：
談談人工智慧的學習感想
人工智慧(artificial intelligence) ，英文縮寫為ai。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是電腦科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。
人工智慧技術導論這門課的學習，讓我知道了人工智慧從誕生髮展到今天經歷了一條漫長的路，許多科研人員為此而不懈努力。 人工智慧的開始可以追溯到電子學出現以前。象布林和其他一些哲學家和數學家 建立的理論原則後來成為人工智慧邏輯學的基礎。而人工智慧真正引起 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模擬 人類的智慧行為，至少看起來不太遙遠。接下來的四十年裡，儘管碰到許多阻礙，人工智慧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式到現在的用於疾病診斷的專家系統，人工智慧的發展有目共睹。
人工智慧經過幾十年的發展，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。我通過網路查詢，知道了以下領域的人工智慧的發展。
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體系統叫做機器翻譯系統。幾十年來，國內外許多專家、學者為 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，特別是作為人們的輔助翻譯工 具，機器翻譯已經得到大多數人的認可。目前，國內的機器翻譯軟體不下百種，根據這些軟體的翻譯特點，大致可以分為三大類：詞典翻譯類、漢化翻譯類和專業翻 譯類。詞典類翻譯軟體代表是“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片語的詞義，並提供單詞的發音，為使用者瞭解單詞或片語含 義提供了極大的便利。漢化翻譯軟體的典型代表是“東方快車2014”，它首先提出了“智慧漢化”的概念，使翻譯軟體的輔助翻譯作用更加明顯。以“譯星”、 “雅信譯霸”為代表的專業翻譯系統，是面對專業或行業使用者的翻譯軟體，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。這裡，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，上下文缺乏聯絡；
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 際互動式翻譯為一體，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 著因特網的普及與發展，機器翻譯的應用前景十分廣闊。作為人類探索自己智慧和操作知識的機制的視窗，機器翻譯的研究與應用將更加誘人。國際上有關專家分析 認為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式系統。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。專家系統是人工智慧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型別，把專家系統分為解釋型、診斷型、除錯型、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。
為了實現專家系統，必須要儲存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)。系統能對輸入資訊進行處理，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。隨著計算機科學技術整體水平的提高，分散式專家系 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路的方法與技術。
3．符號計算
計算機最主要的用途之一就是科學計算,科學計算可分為兩類:一類是純數值的計算,例如求函式的值,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,這是一種智慧化的計算,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,函式,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體系統。。早在50年代末,人們就開始對此研究。。進入80年代後,隨著計算機的普及和人 工智慧的發展,相繼出現了多
種功能齊全的計算機代數系統軟體,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體,使用者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。。 現在符號計算軟體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,還具有高效的可程式設計功能。在操作介面上一般都支援互動式處理,人們 通過鍵盤輸入命令,計算機處理後即顯示結果。並且人機介面友好,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著無比的優越性,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體有較高的要求,在進行符號運算時,通常需要很大的記憶體和較長的計算時間,而精確的代數運算以時間和空間為代價的。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體本身浮點運算代替硬體算術運算,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，人工智慧研究出現了新的高潮，這一方面是因為在人工智慧理論方面有了新的進展，另一方面也是因為計算機硬體突飛猛進的發展。隨著計算機速度的不斷提高、儲存容 量的不斷擴大、價格的不斷降低以及網路技術的不斷髮展，許多原來無法完成的工作現在已經能夠實現。
人工智慧的學習，讓我明白了人工智慧始終處於計算機發展的最前沿。高階計算機語言、計算機介面及文書處理器的存在或多或少都得歸功於人工智慧的研究。人工智慧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。現有的人工智慧產品相對於即將到來的人工智慧應用可以說微不足道，但是它們預示著人工智慧的未來。將來我們會對人工智有能更高層次的需求，人工智慧也會繼續影響我們的工作、學習和生活，我們也要支援人工智慧的發展！
第五篇：人工智慧學習
人工智慧學習-知識要點總結 [nirvana 發表於 2014-1-2 13:32:24]
人工智慧是在電腦科學、控制論、資訊理論、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、認知科學認為智慧的核心是思維，知識闕值理論認為智慧行為取決於知識的數量及其一般化程度，智慧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，否定抽象對於智慧及智慧模擬的必要性，強調分結構對於智慧進化的可能性與必要性。綜合上述觀點，認為智慧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）行為能力。
人工智慧是人造智慧，是一門研究如何構造智慧機器（智慧計算機）或智慧系統，使它能模擬、延伸、擴充套件人類智慧的學科。通過圖靈測試可以判斷一個系統是否具有智慧和智慧的水平。
人工智慧研究內容：
（1）機器感知（2）機器思維（3）機器學習（4）機器行為（5）智慧系統構造技術
人工智慧研究途徑：
（1）符號處理（2）網路連線機制（3）系統整合
2、知識是智慧的基礎，對人工智慧的研究必須以知識為中心來進行，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，對人工智慧其他領域（如模式識別，自然語言理解等）的發展提供了支援。資料是資訊的載體和表示，資訊是資料在特定場合的具體含義，資訊是資料的語義；把有關資訊關聯在一起所形成的資訊結構叫知識。具有：相對正確性，不確定性，可表示性，可利用性等特徵；按作用範圍分為常識性知識，領域性知識；按作用及表示分為事實性知識，過程性知識，控制性知識。按確定性分為確定性知識，不確定性知識；按結構及表現形式分為邏輯性知識，形象性知識；從抽象的，整體的觀點來劃分可分為零級知識，一級知識，二級知識。知識表示方法總體上分為符號表(轉載請註明來源：)示法，連線機制表示法；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，語義網路，指令碼，過程，petrio網，面向物件表示法。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，綜合資料庫。綜合資料庫中已知事實表示：（特性 物件 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資料庫中已知事實進行匹配的過程。產生式系統分類：按推理方向分為前向、後向和雙向產生式系統；按表示知識的確定性可分為確定性及不確定性產生式系統；按資料庫性質及結構特徵進行分類為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物件屬性的資料結構，由槽結構組成，槽分為若干側面。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。語義網路是通過概念及其語義關係來表達知識的一種網路圖。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，推理可分為演繹推理、歸納推理和預設推理；按所用知識確定性分為確定性推理，不確定性推理；按推出的結論是否單調地增加來劃分為單調推理，非單調推理；按是否運用與問題有關的啟發性知識分為啟發式推理，非啟發式推理；按基於方法的分為基於知識的推理，統計推理，直覺推理。推理的控制策略：推理方向，搜尋策略，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。
從一組已知為真的事實出發，直接運用經典邏輯的推理規則推出結論的過程稱為自然演繹推理，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，不確定性傳遞演算法，不確定性的合成。
知識的不確定性稱為知識的靜態強度；證據的不確定性稱為動態強度
5、組合證據的不確定性演算法：
最大最小方法
概率方法
有界方法
不確定性傳遞演算法：
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演算法：
（4）不確定性傳遞演算法：
（5）結論不確定性的合成演算法：
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模型裡，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）組合證據不確定性演算法：
（4）不確定性傳遞演算法：
（5）結論不確定性合成演算法（推理網路）：
8、證據理論是用集合表示命題的， d是變數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中某一元素為值，則稱d為x的樣本空間。
信任函式與似然函式的關係：pl(a)>=bel(a) , bel(a)表示對a為真的信任程度，pl(a)表示對a為非假的信任程度。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、模糊資料或帶有確信程度的語句稱為模糊命題。一般表示形式為：
x is a(cf)x是論域上的變數，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、人工智慧解決的問題：結構不良，非結構化；盲目搜尋按預定的控制策略進行搜尋，在搜尋過程中獲得的中間資訊不用來改進控制策略；啟發式搜尋加入了與問題有關的啟發性資訊，用以指導搜尋朝著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慧程式系統，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，互動性，複雜性
專家系統與常規計算機程式比較：＊
(1)常規程式＝資料結構＋演算法，專家系統＝知識＋推理
(2)常規程式分為資料級＋程式級，專家系統資料級＋知識庫級＋控制級
(3)常規程式面向數值計算和資料處理，專家系統本質上是面向符號處理的
(4)常規程式處理的資料多是精確的，專家系統處理不精確，模糊知識
(5)解釋功能
(6)都是程式系統
12、機器學習是要使計算機能模擬人的學習行為，自動地通過學習獲取知識和技能，不斷改善效能，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資訊，並且能把學到的資訊用於未來的估計、分類、決策或控制，以便改進系統的效能。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，神經網路學習獲得的知識被儲存在神經元之間的連線中。
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)能提高系統的效能
推薦更多範文：
人工智慧學習資料
人工智慧心得體會
人工智慧
人工智慧
人工智慧