计算机科学导论(第2版)第10章 人工智能系统

计算机科学导论 学习计算机专业的第一门基础课程 第十章 人工智能系统 本章要点： 人工智能系统概述 知识表示及推理 搜索技术 自然语言处理 智能计算 机器学习 人工智能系统概述 么是人工智能 人工智能 又称为机器智能 是研究、设计和应用智能机器或智能系统，用来模拟人类智能活动的能力，以延伸人类智能的科学。它是一门综合了计算机科学、控制论、信息论、生理学、神经生理学、语言学、哲学的交叉学科。 人工智能系统概述 工智能的起源与发展 1. 人工智能的起源 2. 人工智能的产生时期 3. 人工智能的发展和实用化时期 人工智能系统概述 工智能的主要学派 符号主义 (派，又称为逻辑主义 (派、心理学派(计算机学派 (这一学派认为人工智能源于数理逻辑。 联结主义 (派，又称为仿生学派 (生理学派(它从神经元开始进而研究神经网络模型，开辟了人工智能的又一发展道路。 行为主义 (派，又称为进化主义 (派或控制论学派 (它源于控制论。 人工智能系统概述 工智能的研究与应用领域 1. 问题求解 2. 专家系统 3. 决策支持系统 4. 自然语言处理 5. 组合高度和指挥 6. 智能机器人 7. 逻辑推理和定理证明 8. 模式识别 9. 自动程序设计 10. 智能控制 知识表示及推理 知识与知识表示 1. 知识的概念 知识是人类对客观世界及其内部运行规律的认识与经验的总和 ， 是人类利用这些规律改造世界的方法和策略 。 在计算机科学和智能程序设计中研究的知识仅仅是有关现实世界的一部分知识 。 知识具有相对正确性、不确定性、可表示性和可利用性等几个特征。 知识表示及推理 2. 知识的一般表示方法 1) 一阶谓词逻辑 2) 问题归约法 3) 语义网络 4) 框架表示法 5) 剧本 6) 产生式系统 7) 状态空间表示法 8) 过程表示 9) 面向对象的知识表示 知识表示及推理 典推理技术 推理是指依据一定的规则从己有的事实推出结论的过程。 1. 规则演绎推理 2. 消解演绎推理 3. 与或形演绎推理 4. 产生式系统 知识表示及推理 高级知识推理技术 1. 模糊推理 2. 不确定性推理 3. 非单调推理 4. 时序推理 搜索技术 一般搜索技术 深度优先搜索法从开始状态开始搜索，然后是开始状态的一个后继状态 (即通过一次状态转移可以到达的状态 )，接着是该状态的一个后继状态，如此等等，直到到达目标状态。 广度优先搜索法并没有上面深度优先搜索法的缺点。其基本思想如下；根据从开始状态出发的状态转移的递增次序 (层数 )来考察状态，这样，首先检查开始状态的所有直接后继状态，然后是这些状态的直接后继状态，如此等等，直至找到目标状态。 搜索技术 宽度优先搜索可被推广用来解决这种寻找从起始状态至目标状态的具有最小代价的路径问题，这种推广了的宽度优先搜索算法即是等代价搜索算法。 搜索技术 高级搜索技术 高级搜索技术建立在深度优先搜索法和广度优先搜索法基础之上，采用启发信息、估值函数搜索法和费用函数等来进行搜索。 启发性搜索方法 估值函数搜索法 费用函数 其它方法： A*搜索法 、 反向搜索 、博弈树的启发式搜索、遗传算法、进化算法、模拟退火算法 自然语言处理 语言及其理解的一般问题 迄今为止，语言理解尚无统一的定义。一般来讲，为了达到理解语言的目的，需要进行如下几步工作：首先，对出现的每个词进行理解；然后，对语句意义的结构从词义构造方面来表示；最后，从句子语义结构表示言语的结构。在这三个过程中，需着重解决如何有效地使用语法、语义、语用及与任务有关的各种知识这个问题。 自然语言处理 句法和语义的分析 (1)语法分析。 (2)语义分析。 (3)句法分析。 (4)语用分析。 (1)自顶向下分析 (2)自底向上分析。 自然语言处理 机器翻译 机器翻译就是用计算机来模拟人的翻译过程。 智能计算 智能计算概述 智能计算（ 也有人称之为 “ 软计算 ” 。智能计算就是借用自然界（生物界）规律的启迪，根据其原理，模仿设计求解问题的算法。 智能计算 遗传算法 遗传算法（ 称 利用达尔文的 “ 适者生存，优胜劣汰 ” 的自然进化规则进行搜索和完成对问题求解的一种新方法。 智能计算 群集智能 1. 蚁群优化算法 蚁群 (算法是最近几年才提出的一种新型模拟算法进化算法，它是 20世纪 90年代首先由意大利学者 M. 之为蚁群系统， 2. 粒子群算法 粒子群优化算法 (一种进化计算技术(是由 于对鸟群捕食的行为研究 一种基于叠代的优化工具。 智能计算 人工神经网络 1. 人工神经网络概述 人工神经网络是人类采用许多处理元件（如电子元件）构成的模拟人脑神经系统的结构和功能而建立的网络。 2. 神经元模型原理 神经元由细胞体、树突和轴突三部分组成。 智能计算 3. 人工神经网络模型 感知器 经网络 双向联想存储器 机器学习 机器学习的定义 机器学习是研究如何使用机器来模拟人类学习活动的一门学科，它专门研究机器获取新知识和新技能，并识别现有知识的学问。 机器学习 机器学习的发展过程 第一阶段 20世纪 50年代中叶到 60年代中叶，属于神经元模型的研究阶段。 第二阶段， 20世纪 60年代中叶到 70年代中叶，属于符号学习的研究阶段。 第三阶段， 20世纪 70年代中叶到 80年代中叶，属于连接学习的研究阶段。 机器学习的最新阶段始于 1986年，机器学习的研究出现了高潮，机器学习有了更强的研究手段和环境。从而出现了符号学习、神经网络学习、进化学习和基于行为主义的强化学习等方法。 机器学习 机器学习的主要研究方向 (1)学习机理的研究 这是对人类学习机制的研究，即人类获取知识、技能和抽象概念的天赋能力。 (2)学习方法的研究 研究人类的学习过程，探索各种可能的学习方法，建立起独立于具体应用领域的学习算法。 (3)面向任务的研究 根据特定任务的要求，建立相应的学习系统。 机器学习 机器学习策略 (1)机械学习就是记忆。是最简单的学习策略。 (2)比机械学习复杂一点的学习是通过传授学习策略。 (3)类比学习系统只能得到类似任务的有关知识。 (4)采用通过事例学习策略的计算机系统，事先完全没有完成任务的任何规律性的信息，所得到的只是一些具体的工作例子及工作经验。 机器学习 机器学习方法 1. 机械学习 机械学习法又称为死记硬背学习法。它是最简单的机器学习方法。机械学习就是把新的知识存储起来，供需要时检索，而无须计算和推理。 2. 演绎学习 演绎学习是基于演绎推理的一种学习。演绎推理是一种保真变换，即若前提真则推出的结论也为真。演绎学习包括知识改造、知识编译、产生宏操作、保持等价的操作和其它保真变换。 3. 类比学习 类比学习的一般含义是：对于两个对象，如果它们之间有某些相似之处，那么就推知这两个对象间还有其它相似的特征。 机器学习 4. 解释学习 解释学习是通过运用相关的领域知识，对当前提供的实例进行分析，从而构造解释并产生相应知识。 5. 神经学习 神经网络学习是基于神经网络技术的机器学习系统。 神经网络学习的方法有不同的分类。按学习时是否有外部指导来分类的话，可分为下列类别： (1)有导师 (或称有监督 )学习。 (2)无导师 (或称无监督 )学习。 本章小结 本章通过对智能系统的相关知识的介绍，展示了人工智能的应用领域及