自动化的发展方向

自动化的发展方向控制理论与控制工程1、 学科以工程领域内的控制系统为主要对象，以数学方法和计算机技术为主要工具，研究各种控制策略及控制系统的分析、建摸、设计、综合和实现的理论、技术和方法。控制理论是控制科学及其工程应用的重要基础和核心内容之一；随着控制理论的发展和技术水平的提高，控制工程也迅速拓宽领域，丰富内容，并促进控制理论的研究不断扩展和深化。控制理论及控制工程的应用基础是准确可靠的检测技术和自动化装置；自动控制系统规模和应用范围的不断扩大，促进了系统工程学科的迅速发展；对难以用传统数学方法描述的控制问题，摸式识别与智能系统的研究将发挥越来越重要的作用。2、 专业培养目标：本学科培养从事自动控制理论，控制系统分析、综合与设计，系统集成、建模、优化等方面的高级专门人才。3、 研究方向：自动化系在此学科的研究方向为：控制理论；控制工程；控制系统仿真；计算机集成制造系统和工业过程计算机控制与管理。检测技术与自动化装置1、 检测技术与自动化装置是运用现代物理、控制理论、电子学、计算机科学和计量科学，研究被控对象的信息提取、转换、传递与处理的理论、方法和技术的一门学科，是'控制科学与工程"学科的重要组成部分。检测技术研究如何将各种反映被测对象特性的参数按照一定的对应关系转换为易于传递的信号，并提供给自动控制系统；自动化装置涉及控制系统中的传感器、变送器、控制器、执行机构等，包括它们的集成化、智能化技术和可靠性技术。2、 专业培养目标：本学科培养从事各种检测技术与自动化装置的研究、开发、设计等方而工作的高级专门人才。3、 研究方向：自动化系在此学科的研究方向为：电子技术及微型计算机应用；自动检测及仪表和电子技术。系统工程1、 系统工程是为了解决日益复杂的社会实跋问题而形戌的从整体出发合理组织、控制和管理各类系统的综合性的工程技术学科。系统工程技术的出现，大大提高了人类认识世界和改造世界的能力。随着社会的发展，它的作用将更加重要和突出。系统工程以工业、农业、交通、军事、资源、环境、经济、社会等领域中的各种复杂系统力主要对象，以系统科学、控制科学、信息科学和应用数学为理基础，以计算机技术为基本工具，以优化为主要目的，采用定量分析为主、定性定量相结合的综合集成方法，研究解决带有一般性的系统分析、设计、控制和管理问题。系统工程与控制科学、管理科学、信息科学、经济学和计算机科学有密切的联系。2、 专业培养目标：本学科培养从事系统工程领域的研究、开发、设计等方而工作的高级专门人才。3、 研究方向：自动化系在此学科的研究方向为：大系统理论及应用；复杂系统自组织、自学习及自适应和智能决策理论及应用。模式识别与智能系统1、 模式识别与智能系统是六十年代以来在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。2、 专业培养目标：本学科培养从事摸式识别与智能系统的研究、开发与设计方面的高级专门人才。3、 研究方向：自动化系在此学科的研究方向为：信号处理理论与应用；模式识别、计算机视觉、人工智能的理论及应用；神经网络与模糊系统及其在信息处理、识别与控制中的应用。展望21世纪初，在近十年神经网络理论研究趋向的背景下，笔者认为神经网络理论的主要前沿领域包括：对智能和机器关系问题的认识将进一步增长.研究人类智力一直是科学发展中最有意义，也是空前困难的挑战性问题.人脑是我们所知道的唯一智能系统，它具有感知识别、学习、联想、记忆、推理等智能，80年代中期出现了“联结主义”的革命，或“并行分布处理(PDP)”，它又被普遍地称为神经网络，具有自学习、自适应和自组织的特点，也是神经网络迫切需要增强的主要功能.进一步研究调节多层感知器的算法，使建立的模型和学习算法成为适应性神经网络的有力工具，构建多层感知器与自组织特征图级联想的复合网络，是增强网络解决实际问题能力的一个有效途径.重视联结的可编程性问题和通用性问题的研究，从而促进智能科学的发展.我们通过不断探索人类智能的本质以及联结机制，并用人工系统复现或部分复现，制造各种智能机器，这样，可使人类有更多的时间和机会从事更为复杂、更富创造性的工作.智能的产生和变化经过了漫长的进化过程，我们对智能处理的新方法的灵感主要来自神经科学，例如学习、记忆实质上是突触的功能，而海兔的小系统神经元是研究学习记忆突触机制的天然模型，在细胞和分子水平上研究，为我们提供真正的实证.又如，人类大脑的前额叶高度发育，它几乎占了30%大脑的表面积，在其附近形成了人类才出现的语言运动区，它与智能发育可能密切相关，使神经系统的发育同环境的关系更加密切，脑的可塑性很大，能主动适应环境还能主动改造环境，人类向制造智能工具方向迈进正是这种主动性的反映.事实上，脑的可塑期越长，经验对脑的影响就越大，而人类的认知过程很大程度上不仅受经验主义的影响，而且还接受理性主义的模型和解释.因此，对于智能和机器的关系，应该从进化的角度，把智能活动看成动态发展的过程，并合理的发挥经验的作用.同时还应该从环境与社会约束以及历史文化约束的角度加深对它的理解与分析.神经网络是由大量处理单元组成的非线性、自适应、自组织系统，它是现代神经科学研究成果的基础上提出的，试图模拟神经网络加工、记忆信息的方式，设计一种新的机器，使之具有人脑风格的信息处理能力.智能理论所面对的课题来自“环境一问题一目的”，有极大的诱惑力与压力，它的发展方向就将是，把基于联结主义的神经网络理论、基于符号主义的人工智能专家系统理论和基于进化论的人工生命这三大研究领域，在共同追求的总目标下，自发而有机的结合起来.在这里我们只想重复一下我们的信念并推测：在21世纪初，智能的机器实现问题的研究将有新的进展和突破.神经计算和进化计算将有重大的发展.计算和算法是人类自古以来十分重视的研究领域，本世纪30年代，符号逻辑方面的研究非常活跃.例如Church、Kleene、Godel、Post、Turing等数学家都给出了可计算性算法的精确数学定义，对后来的计算和算法的发展影响很大.50年代数学家Markov发展了Post系统.80年代以后，神经网络理论在计算理论方面取得了引人注目的成果，形成了神经计算和进化计算新概念，激起了许多理论家的强烈兴趣，如前所述，大规模平行计算是对基于Turing机的离散符号理论的根本性的冲击，但90年代人们更多的是批评的接受它，并将两者结合起来，近年来，神经计算和进化计算领域很活跃，有新的发展动向，在从系统层次向细胞层次转化里，正在建立数学理论基础.随着人们不断探索新的计算和算法，将推动计算理论向计算智能化方向发展，在21世纪人类将全面进入信息社会，对信息的获取、处理和传输问题；对网络路由优化问题；对数据安全和保密问题等等将有新的要求，这些将成为社会运行的首要任务，因此，神经计算和进化计算与高速信息网络理论联系将更加密切，并在计算机网络领域中发挥巨大的作用，例如，大范围计算机网络的自组织功能实现就要进行进化计算.现有的一些神经网络模型并没有攻克组合爆炸问题，只是把计算量转交给了学习算法来完成，具体说，增加处理机数目一般不能明显增加近似求解的规模.可以说，有些神经网络模型的计算(学习)时间与神经元有多少事实上关系不太大，却与学习的样本有明显的依赖关系.值得注意的是，尽管采用大规模并行处理机是神经网络计算的重要特征，但我们还应寻找其它有效方法，建立具有计算复杂性、网络容错性和坚韧性的计算理论.人类的思维方式正在转变：从线性思维转到非线性思维.神经元、神经网络都有非线性、非局域性、非定常性、非凸性和混沌等特性，我们在计算智能的层次上研究非线性动力系统、混沌神经网络以及对神经网络的数理研究.进一步研究自适应性子波、非线性神经场的兴奋模式、神经集团的宏观力学等.因为，非线性问题的研究是神经网络理论发展的一个最大动力，也是它面临的最大挑战.此外，神经网络与各种控制方法有机结合具有很大发展前景，建模算法和控制系统的稳定性等研究仍为热点问题，而容忍控制、可塑性研究可能成为新的热点问题.开展进化并行算法的稳定性分析及误差估计方面的研究将会促进进化计算的发展.把学习性并行算法与计算复杂性联系起来，必须分析这些网络模型的计算复杂性以及正确性，从而确定计算是否经济合理.关注神经信息处理和脑能量两个方面以及它们的综合分析研究的最新动态，吸收当代脑构象等各种新技术和新方法.例如，在1994年Science杂志上，生物化学家Adleman发表了一篇论文：MolecularComputationofSolutionstoCombinatorialProblems,他采用超并行的DNA求解组合问题，他是DNA计算的创建者之一，随后，他制造的超并行DNA计算机TT-100取得了技术上的突破.这一具有重大价值的理论和方法，是对NP完全问题和数据加密标准系统等发起了最猛烈的攻击.因此，神经网络在DNA序列分析上的应用会更受人们的关注.很明显，离散符号计算、神经计算和进化计算相互促进.从道理上说，也许最终导致这3种计算统一起来，这算得上是我们回避不了的一个重大难题.预计在21世纪初，关于这个领域的研究会产生新的概念和方法.尤其是视觉计算方面会得到充分地发展.我们应当抓住这个机会，力求取得重大意义的理论和应用成果.神经网络结构和神经元芯片的作用将不断扩大.神经网络结构的研究是神经网络的实现以及成功地实现应用的前提，又是优越的物理前提.它体现了算法和结构的统一，是硬件和软件的混合体，这种硬软混合结构模型可以为意识的作用和基本机制提供解释.未来的研究主要是针对信息处理功能体，将系统、结构、电路、器件和材料等方面的知识有机结合起来，建构有关的新概念和新技术，如，结晶功能体、最子效应功能体、高分子功能体等.在硬件实现上，研究材料的结构和组织，使它具有自然地进行信息处理的能力，如，神经元系统、自组织系统等.目前有些学者正在研究从硬件技术到应用之间的映射理论，将会出现一些新的方法.神经计算机的主要特征是具有并行分布式处理、学习功能，这是一种提高计算性能的有效途径，使计算机的功能向智能化发展，与人的大脑的功能相似，并具有专家的特点，比普通人的反应更敏捷，思考更周密.光学神经计算机具有神经元之间的连接不仅数量巨大而且结合强度可以动态控制，因为光波的传播无交叉失真，传播容量大，并可能实现超高速运算，这是一个重要的发展领域，其基础科学涉及到激光物理学、非线性光学、光紊乱现象分析等，这些与神经网络之间在数学构造上存在着类似性.近年来，人们采用交叉光互连技术，保证了它们之间没有串扰，它有着广阔的发展前景.在技术上主要有超高速、大规模的光连接问题和学习的收敛以及稳定性问题，可望使之得到突破性进展；另一种是采用LSI技术制作硅神经芯片，以及二维VLSI技术用于处理具有局部和规则连接问题.在未来一、二十年里半导体神经网络芯片仍将是智能计算机硬件的主要载体，而大量的神经元器件，如何实现互不干扰的高密度、高交叉互连，这个问题可望尽早得到解决.此外，生物器件的研究正处于探索之中，研究这种模型的理论根据是，当硅集成块和元件间的距离如果接近0.01微米时，电子从邻近元件逸入的概率将很有限，便产生“隧道效应”的现象，它是高集成电路块工作不可靠的原因之一.而生物芯片由于元件是分子大小的，其包装密度可成数量级增加，它的信号传播方式是孤电子，将不会有损耗，并且几乎不产生热.因此，它有更诱人的前景.随着大量神经计算机和神经元芯片应用于高科技领域，给神经网络理论和方法赋予新的内容，同时也会提出一些新的理论课题，这是神经网络迅速发展的一个动力.4结束语近年来，我国“863”计划、攻关计划、“攀登”计划和国家自然科学基金等，都对神经网络的研究给予了资助，吸引了大量的优秀青年人才从事神经网络领域的研究工作，促进我国在这个领域取得世界上的领先地位.由于神经网络学科的范围很广泛，本文只能在那些有发展前途的领域中，在联结主义提供的各种机会中，列举出少数几个方向，并作出推测.应该说明的是，除了上述列举的以外，还有形形色色的、规模可观的研究工作正在进行.总之，在21世纪科学技术发展征程中，神经网络理论的发展将与日俱增.人工智能的原理及应用姓名：厉森彪班级：软件工程学号：200726410110摘要人工智能(ArtificialIntelligence，AI)一直都处于计算机技术的最前沿，经历了几起几落 长久以来，人工智能对于普通人来说是那样的可望而不可及，然而它却吸引了无数研究人员为之奉献才智，从美国的麻省理工学院(MIT)、卡内基-梅隆大学(CMU)到IBM公司，再到日本的本田公司、SONY公司以及国内的清华大学、中科院等科研院所，全世界的实验室都在进行着AI技术的实验。不久前，著名导演斯蒂文斯皮尔伯格还将这一主题搬上了银幕，科幻片《人工智能》(A.I.)对许多人的头脑又一次产生了震动，引起了一些人士了解并探索人工智能领域的兴趣。关键词人工智能；专家系统；模式识别ABSTRACTAI(ArtificialIntelligence,AI)hasbeenattheforefrontofcomputertechnology,hasexperiencedseveralupsanddownsseveral alongtime,theordinarypeopleofartificialintelligenceissoelusive,butithasattractedcountlessItdedicatedintelligenceresearchers,fromtheU.S.MassachusettsInstituteofTechnology(MIT),Carnegie-MellonUniversity(CMU)toIBM,andthentoJapan'sHonda,SONY,aswellasdomesticcompaniesofQingHuaUniversity,ChinaBranchHospitalsandotherresearchinstitutes,laboratoriesaroundtheworldarecarryingouttheAItechnologyexperiments.Notlongago,thefamousdirectorStevenSpielbergwillbethesubject•ontothescreen,sci-fifilm"artificialintelligence"(AI)onmanypeople'smindsonceagainproducedashock,causedsomepeopletounderstandandexploreInterestinthefieldofartificialintelligence.KeywordsArtificialIntelligence(AI);ExpertSystem;PatternRecognition引言人工智能的发展已达到很高水平，电子计算机将更接近大脑的功能了，虽然计算机解决问题的能力从技术角度看目前还有很大局限性，计算机万能论者的理论依据也是有问题的。计算机暂时不能代替人我相信他预见的会成为现实，目前也有了很多技术突破这就是人类-机器的结合体，他预见这是人类进化史上的一个飞跃。在这样一个结合体形式下，肯定超出目前的人的智能和人工智能，这个结合体中，人类的大脑将植入能和机器直接沟通的芯片，这个芯片是人机的桥梁，而人类-机器结合体将发挥出人与机器的各自优势。1.介绍什么是人工智能由于人工智能是一个边缘学科，是哲学、数学、电子工程、计算机科学、心理学等众多学科的混血儿。它的研究队伍由未自不同领域的学者组成，各自从事着自己感兴趣的工作，他们对人工智能是什么有不同的认识。所以，要想在他们之间找出一个什么是人工智能的共同的看法还是有一定的困难的。如果仅从技术的角度来看，人工智能要解决的问题是如何使电脑表现智能化，使电脑能支灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为、就算是达到了目的，而不在乎在这过程中电脑是依靠某种算法还是真正理解了：这样，人工智能就是计算机科学中涉及研究、设计和应用智能机器的一个分支，人工智能的目标就是研究怎样用电脑来模仿和执行人脑的某些智力功能，并开发相关的技术产品，建立有关的理论。除了上述的观点以外，人工智能领域中的心理学家、语言学家倾向于将重点放在用电脑去再现人脑思维的内部状态上.也就是要使电脑程产真正理解它所他的事情，就好保人脑一样去“思考问题”。由于大家研究的内容与侧重点各不相同，因此对人工智能的认识也有一定的差异。但是，他们的认识又相互补充、相辅相成、共同构成了人工智能丰富多彩的研究层次与多样化的研究队伍。1.1人工智能的理论于实践人工智能不仅仅是一个工程科目，同样也是一个科研主题，研究人员创立人工智能理论（人工智能程序能够做什么）并用数学分析和实验来验证。什么样的自适应结构可以应用于从经验中学习的系统？响应新信息时系统应该改变?学习系统应该接受什么样的训练?人工智能科学家正在研究一般性的计算理论来回答各种各样的问题。理论是可以通过数学抽象和定理证明来分析验证的，也可以通过开发程序、运行试验、分析结果进行经验性研究，这很像心理学家对接受实验者所做的实验。复杂人工智能系统的行为是很难预测的，研究人员经常惊讶于他们自己构建的人工智能系统的行为。人工智能的应用范围非常广泛。人们已经创建了人工智能程序，用于通过预测股市趋势来产生投资策略，诊断病人并给出治疗建议，以及控制工厂中的装配机器人。在人工智能领域工作的很多人都认为自己是制作实用工具的工程师，这些工具就是用于航线规划、汽车制造以及大师级对弈的人工智能系统。火星探测机器人的控制就采用了人工智能系统。像火星探测机器人这样的机器人怎样感知它周围的环境？它怎样决定采用什么行动？如果给出两种或更多种可能冲突的目标，它又是怎样平衡任务的优先级？一个火星漫游车怎样知道应该停下来以检查预料之外的石英构造成分？更一般地说，如何设计出能适应环境的有足够多功能的系统，同时还要足够严格以便于使用计算机程序进行编码？1.2人工智能概念著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科一一怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能（ArtificialIntelligence，简称AI）是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。从实用观点来看，人工智能是一门知识工程学：以知识为对象，研究知识的获取、知识的表示方法和知识的使用。1.3人工智能的基础人类是通过自然语言来表达思想、知识、学习、交流等，为实现AI用机器模拟人的智能行为，显然，必须有适合于AI的知识获取、知识表示、知识推理的语言，编写相应的智能程序，以构成AI系统，即知识信息处理系统。广义地讲，任何语言都能实现AI程序设计，但问题是能否充分表现出AI的研究性能和目标、这是人们关心的核心问题。下面在讨论AI程序与传统程序的区别中，可以进一步理解研究AI语言的必要性。自AI发展以来，由于AI应用领域的广泛性，已有十几种语言被应用，它们都是根据适用于所研究问题领域知识描述和处理而提出的。如IPL语言是早期AI的表处理语言，它接近视器语言，用起来不方便。MsP语言从早期到现在经多次改进，一直被广泛应用。它是函数型语言，在AI程序中数据结构是表结构，因此核心是表处理。在IISP基础上发展的语言有FLANNER和KRL语言。PLANNER语言便于面向目标的推理，面KRL语言适于框架知识表示。PROLOG语言是在AI中影响最大的语言，它是基于演绎推理的逻辑型语言，oFs语言后通用知识表示语言，因它不偏向特定问题的求解策略或知识表示，在AI中应用也不少，现开发有OPS83的xS工具。其它语言不再赘述。2人工智能原理2.1介绍人工智能的实现技术人工智能是实现具有智能的机器，尤其是具有智能的计算机程序的科学和工程技术。人工智能与用计算机理解人的智力的目标有一些关系，但它并不一定要使用生物学上的方法。2.2人工智能的原理人工智能的科学研究要研究人的智慧的内部结构，相当于研究心理学的原理，更玄是不是，一般人不大会去做的大部分的人工智能研究集中在后者一工程实现上，知识：人的智能活动本质上就是获得和运用知识知识是智能的基础为了实现人工智能使机器具有智能就必须使它具有知识，表达：要采用适当的手段表达人的知识然后才能存储到机器中去这就是用知识表达要解决的问题对知识进行表达就是把知识表示成便于计算机存储和利用的某种数据结构知识表达方法又称为知识表示技术，其表示形式称为知识表示模式。3人工智能应用3.1人工智能的应用范围它是研究、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。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，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。“人工智能”一词最初是在1956年Dartmouth学会上提出的。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。3.2人工智能中的机器翻译机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程，用以完成这一过程的软件系统叫做机器翻译系统。几十年来，国内外许多专家、学者为机器翻译的研究付出了大量的心血和汗水。虽然至今还没有一个实用、全面、高质量的自动翻译系统出现，不过也取得了很大的进展，特别是作为人们的辅助翻译工具，机器翻译已经得到大多数人的认可。目前，国内的机器翻译软件不下百种，根据这些软件的翻译特点，大致可以分为三大类：词典翻译类、汉化翻译类和专业翻译类。词典类翻译软件代表是'金山词霸”了，堪称是多快好省的电子词典，它可以迅速查询英文单词或词组的词义，并提供单词的发音，为用户了解单词或词组含义提供了极大的便利。汉化翻译软件的典型代表是'东方快车2000”，它首先提出了“智能汉化”的概念，使翻译软件的辅助翻译作用更加明显。以“译星”、“雅信译霸”为代表的专业翻译系统，是面对专业或行业用户的翻译软件，但其专业翻译的质量与人们的实用性还有不少差距，有人评价说“满篇英文难不住，满篇中文看不懂”，该说法虽然比较极端，但机译译文的质量确实却一直是个老大难问题。这里，我们不妨对现有的机译和人译过程作一比较，从中可以看出一些原因。???机器翻译：???1.一句一句处理，上下文缺乏联系；???2.对源语言的分析只是求解句法关系，完全不是意义上的理解；???3.缺乏领域知识，从计算机到医学，从化工到法律都通用，就换专业词典；???4.译文转换是基于源语言的句法结构的，受源语言的句法结构的束缚；???5.翻译只是句法结构的和词汇的机械对应。???人工翻译：???1.一般会先通读全文，会前后照应；???2.对源语言是求得意义上的理解；???3.只有专业翻译人员，而没有万能翻译人员；???4.译文是基于他对源语言的理解，不受源语言的句法结构的束缚；???5.翻译是一个再创造的过程。在目前的情况下，计算机辅助翻译应该是一个比较好的实际选择。事实上，在很多领域中，计算机辅助人类工作的方式已经得到了广泛的应用，例如CAD软件。如果计算机辅助技术用于语言的翻译研究，应该同样可以起到很大的辅助作用，这就是所谓的'计算机辅助翻译”。它集机器记忆式翻译、语法分析式翻译和人际交互式翻译为一体，把翻译过程中机械、重复、琐碎的工作交给计算机来完成。这样，翻译者只需将精力集中在创造性的思考上，有利于工作效率的提高。机器翻译研究归根结底是一个知识处理问题，它涉及到有关语言内的知识、语言间的知识、以及语言外的世界知识，其中包括常识和相关领域的专门知识。随着因特网的普及与发展，机器翻译的应用前景十分广阔。作为人类探索自己智能和操作知识的机制的窗口，机器翻译的研究与应用将更加诱人。国际上有关专家分析认为机器翻译要想达到类似人工翻译一样的流畅程度，至少还要经历15年时间的持续研究，但在人类对语言研究还没有清楚，人脑是如何进行语言的模糊识别和判断”的情况下，机器翻译要想达到100%的准确率是不可能的。3.3人工智能中的专家系统专家系统是一种模拟人类专家解决领域问题的计算机程序系统。专家系统内部含有大量的某个领域的专家水平的知识与经验，能够运用人类专家的知识和解决问题的方法进行推理和判断，模拟人类专家的决策过程，来解决该领域的复杂问题。专家系统是人工智能应用研究最活跃和最广泛的应用领域之一,涉及到社会各个方面，各种专家系统已遍布各个专业领域，取得很大的成功。根据专家系统处理的问题的类型，把专家系统分为解释型、诊断型、调试型、维修型、教育型、预测型、规划型、设计型和控制型等10种类型。具体应用就很多了，例如血液凝结疾病诊断系统、电话电缆维护专家系统、花布图案设计和花布印染专家系统等等。为了实现专家系统，必须要存储有该专门领域中经过事先总结、分析并按某种模式表示的专家知识（组成知识库），以及拥有类似于领域专家解决实际问题的推理机制（构成推理机）。系统能对输入信息进行处理，并运用知识进行推理，做出决策和判断，其解决问题的水平达到或接近专家的水平，因此能起到专家或专家助手的作用。开发专家系统的关键是表示和运用专家知识，即来自领域专家的己被证明对解决有关领域内的典型问题有用的事实和过程。目前，专家系统主要采用基于规则的知识表示和推理技术。由于领域的知识更多是不精确或不确定的，因此，不确定的知识表示与知识推理是专家系统开发与研究的重要课题。此外，专家系统开发工具的研制发展也很迅速，这对扩大专家系统的应用范围，加快专家系统的开发过程，将起到积极地促进作用。随着计算机科学技术整体水平的提高，分布式专家系统、协同式专家系统等新一代专家系统的研究也发展很快。在新一代专家系统中，不但采用基于规则的推理方法，而且采用了诸如人工神经网络的方法与技术。3.4人工智能模式识别模式识别就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。这里我们把环境与客体统称为“模式”，随着计算机技术的发展，人类有可能研究复杂的信息处理过程。用计算机实现模式（文字、声音、人物、物体等）的自动识别，是开发智能机器的一个最关键的突破口，也为人类认识自身智能提供线索。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。市场上可见到的代表性产品有光学字符识别系统（OpticalCharacterRecognition，OCR）、语音识别系统等。?计算机识别的显著特点是速度快、准确性和效率高。识别过程与人类的学习过程相似。以“汉字识别”为例：首先将汉字图象进行处理，抽取主要表达特征并将其特征与汉字的代码存在计算机中。就象把老师教我们这个字叫什么、如何写的知识记忆在大脑中。这一过程叫做“训练”。识别过程就是将输入的汉字图像经处理后与计算机中所保存的全部汉字进行比较，找出最相近的字作为识别结果,这一过程叫做“匹配”。语音识别就是让计算机能听懂人说的话，一个重要的例子就是七国语言（英、日、意、韩、法、德、中）口语自动翻译系统。其中，中文部分的实验平台设立在中国科学院自动化所的模式识别国家重点实验室，这是口语翻译研究跨入世界领先水平的标志。该系统实现后，人们出国预定旅馆、购买机票、在餐馆对话和兑换外币时，只要利用电话网络和国际互联网，就可用手机、电话等与“老外”通话。????指纹是人体的一个重要特征，具有唯一性。北京大学有关专家对数字图像的离散几何性质进行了深入研究，建立了从指纹灰度图像精确计算纹线局部方向、进而提取指纹特征信息的理论与算法，随后研究成功了适于民用身份鉴定的全自动指纹鉴定系统，以及适于公安刑事侦破的指纹鉴定系统。从而开创了我国指纹自动识别系统应用的先河。北大指纹自动识别系统的推出，使我国公安干警从指纹查对的繁重人工处理中解放出来。浙江省从1997年开始使用北大指纹自动识别系统，采取省地（市）二级建库、省地（市）县三级查询的方式，形成了独特的“浙江模式”。省公安厅现已建立了100多万人的指纹库，是目前国内的第二大库。在100多万人的指纹库中，检索一枚现场指纹仅需4分钟左右。2000年浙江省用指纹自动识别系统直接破案3063起，连带破案12000多起。破案率为全国第一，并遥遥领先于国内其它指纹识别系统，被公安部树为指纹系统建设应用样板。这里介绍一个综合应用的例子，一汽集团公司与国防科技大学最近合作研制成功，红旗轿车自主驾驶系统”（即无人驾驶系统），它标志着我国研制高速智能汽车的能力已达到当今世界先进水平。汽车自主驾驶技术是集模式识别、智能控制、计算机学和汽车操纵动力学等多门学科于一体的综合性技术，代表着一个国家控制技术的水平。红旗车自主驾驶系统采用计算机视觉导航方式，并采用仿人控制，实现了对红旗车的操纵控制。首先，摄像机将车前方的道路和车辆行驶情况输入到图像处理和图像识别系统。该系统识别出道路状况、前方车辆的相对距离和相对车速。接着，路径规划系统根据这些信息规划出一条合适路径，即决定如何开车。然后，路径跟踪系统根据需跟踪的路径，结合车辆行驶状态参数和车辆驾驶动力学约束，形成控制命令，控制方向盘和油门开启机构产生相应动作，使汽车按照规划好的路径前进，即按自主驾驶系统的规划路径前进。模式识别与智能系统学科是当今发展最快的热点学科，随着模式识别与智能工程理论与技术的发展已使世界科技形势发生了很大的变革。智能信息处理科学与技术已渗透到计算机、通信、交通运输、医学、物理、化学、生物学、军事、经济等各个领域。该学科以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统的性能。模式识别与智能系统是现代服务业信息支撑技术之一，是一门理论与实际紧密结合，具有广泛的应用价值的控制科学与工程的重要学科分支。学科的主要专业及研究方向为：模式识别与智能工程；图形、图像处理与分析；语音理解与计算机听觉系统；生物特征信息处理；身份识别与信息安全；基于内容的信息检索图像处理与计算机视觉系统；虚拟现实与计算机图形学；人工智能；计算机支持的协同工作系统；信息隐藏与数字水印技术；网络智能服务体系；无线传感网技术及其应用；普适计算技术及其应用；15.嵌入式系统设计方法及其应用

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取'信息'的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。作为一个工程学科，计算机视觉寻求基于相关理论与模型来建立计算机视觉系统。这类系统的组成部分包括：程序控制（例如工业机器人和无人驾驶汽车）事件监测（例如图像监测）信息组织（例如图像数据库和图像序列的索引建立）物体与环境建模（例如工业检查，医学图像分析和拓扑建模）交感互动（例如人机互动的输入设备）计算机视觉同样可以被看作是生物视觉的一个补充。在生物视觉领域中，人类和各种动物的视觉都得到了研究，从而建立了这些视觉系统感知信息过程中所使用的物理模型。另一方面，在计算机视觉中，靠软件和硬件实现的人工智能系统得到了研究与描述。生物视觉与计算机视觉进行的学科间交流为彼此都带来了巨大价值。计算机视觉包含如下一些分支：画面重建，事件监测，目标跟踪，目标识别，机器学习，索引建立，图像恢复等。目录［隐藏］.1计算机视觉的发展现状.2相邻领域的异同.3计算机视觉的经典问题o31识别o3.2运动o33场景重建o34图像恢复.4计算机视觉系统5影响视觉系统的要件.6参考7外部链接［编辑［编辑］计算机视觉的发展现状岸」计算机视觉与其他领域的关系计算机视觉领域的突出特点是其多样性与不完善性。这一领域的先驱可追溯到更早的时候，但是直到20世纪70年代后期，当计算机的性能提高到足以处理诸如图像这样的大规模数据时，计算机视觉才得到了正式的关注和发展。然而这些发展往往起源于其他不同领域的需要，因而何谓“计算机视觉问题”始终没有得到正式定义，很自然地，“计算机视觉问题”应当被如何解决也没有成型的公式。尽管如此，人们已开始掌握部分解决具体计算机视觉任务的方法，可惜这些方法通常都仅适用于一群狭隘的目标（如：脸孔、指纹、文字等），因而无法被广泛地应用于不同场合。对这些方法的应用通常作为某些解决复杂问题的大规模系统的一个组成部分（例如医学图像的处理，工业制造中的质量控制与测量）。在计算机视觉的大多数实际应用当中，计算机被预设为解决特定的任务，然而基于机器学习的方法正日渐普及，一旦机器学习的研究进一步发展，未来“泛用型”的电脑视觉应用或许可以成真。人工智能所研究的一个主要问题是：如何让系统具备“计划”和“决策能力”？从而使之完成特定的技术动作（例如：移动一个机器人通过某种特定环境）。这一问题便与计算机视觉问题息息相关。在这里，计算机视觉系统作为一个感知器，为决策提供信息。另外一些研究方向包括模式识别和机器学习（这也隶属于人工智能领域，但与计算机视觉有着重要联系），也由此，计算机视觉时常被看作人工智能与计算机科学的一个分支。物理是与计算机视觉有着重要联系的另一领域。

计算机视觉关注的目标在于充分理解电磁波——主要是可见光与红外线部分——遇到物体表面被反射所形成的图像，而这一过程便是基于光学物理和固态物理，一些尖端的图像感知系统甚至会应用到量子力学理论，来解析影像所表示的真实世界。同时，物理学中的很多测量难题也可以通过计算机视觉得到解决，例如流体运动。也由此，计算机视觉同样可以被看作是物理学的拓展。另一个具有重要意义的领域是神经生物学，尤其是其中生物视觉系统的部分。在整个20世纪中，人类对各种动物的眼睛、神经元、以及与视觉刺激相关的脑部组织都进行了广泛研究，这些研究得出了一些有关“天然的”视觉系统如何运作的描述（尽管仍略嫌粗略），这也形成了计算机视觉中的一个子领域——人们试图建立人工系统，使之在不同的复杂程度上模拟生物的视觉运作。同时计算机视觉领域中，一些基于机器学习的方法也有参考部分生物机制。计算机视觉的另一个相关领域是信号处理。很多有关单元变量信号的处理方法，尤其对是时变信号的处理，都可以很自然的被扩展为计算机视觉中对二元变量信号或者多元变量信号的处理方法。但由于图像数据的特有属性，很多计算机视觉中发展起来的方法，在单元信号的处理方法中却找不到对应版本。这类方法的一个主要特征，便是他们的非线性以及图像信息的多维性，以上二点作为计算机视觉的一部分，在信号处理学中形成了一个特殊的研究方向。除了上面提到的领域，很多研究课题同样可被当作纯粹的数学问题。例如，计算机视觉中的很多问题，其理论基础便是统计学，最优化理论以及几何学。如何使既有方法通过各种软硬件实现，或说如何对这些方法加以修改，而使之获得合理的执行速度而又不损失足够精度，是现今电脑视觉领域的主要课题。［编辑］相邻领域的异同计算机视觉，图象处理.图像分析，机器人视觉和机器视觉是彼此紧密关联的学科。如果你翻开带有上面这些名字的教材，你会发现在技术和应用领域上他们都有着相当大部分的重叠。这表明这些学科的基础理论大致是相同的，甚至让人怀疑他们是同一学科被冠以不同的名称。然而，各研究机构，学术期刊，会议及公司往往把自己特别的归为其中某一个领域，于是各种各样的用来区分这些学科的特征便被提了出来。下面将给出一种区分方法，尽管并不能说这一区分方法完全准确。计算机视觉的研究对象主要是映射到单幅或多幅图像上的三维场景，例如三维场景的重建。计算机视觉的研究很大程度上针对图像的内容。图象处理与图像分析的研究对象主要是二维图像，实现图像的转化，尤其针对像素级的操作，例如提高图像对比度，边缘提取，去噪声和几何变换如图像旋转。这一特征表明无论是图像处理还是图像分析其研究内容都和图像的具体内容无关。机器视觉主要是指工业领域的视觉研究，例如自主机器人的视觉，用于检测和测量的视觉。这表明在这一领域通过软件硬件，图像感知与控制理论往往与图像处理得到紧密结合来实现高效的机器人控制或各种实时操作。

模式识别使用各种方法从信号中提取信息，主要运用统计学的理论。此领域的一个主要方向便是从图像数据中提取信息。还有一个领域被称为成像技术。这一领域最初的研究内容主要是制作图像，但有时也涉及到图像分析和处理。例如，医学成像就包含大量的医学领域的图像分析。对于所有这些领域，一个可能的过程是你在计算机视觉的实验室工作，工作中从事着图象处理，最终解决了机器视觉领域的问题，然后把自己的成果发表在了模式识别的会议上。［编辑［编辑］计算机视觉的经典问题岸」几乎在每个计算机视觉技术的具体应用都要解决一系列相同的问题。这些经典的问题包括：［编辑］识别一个计算机视觉，图像处理和机器视觉所共有的经典问题便是判定一组图像数据中是否包含某个特定的物体，图像特征或运动状态。这一问题通常可以通过机器自动解决，但是到目前为止，还没有某个单一的方法能够广泛的对各种情况进行判定：在任意环境中识别任意物体。现有技术能够也只能够很好地解决特定目标的识别，比如简单几何图形识别，人脸识别，印刷或手写文件识别或者车辆识别。而且这些识别需要在特定的环境中，具有指定的光照，背景和目标姿态要求。广义的识别在不同的场合又演化成了几个略有差异的概念：•识别（狭义的）：对一个或多个经过预先定义或学习的物体或物类进行辨识，通常在辨识过程中还要提供他们的二维位置或三维姿态。•鉴别：识别辨认单一物体本身。例如：某一人脸的识别，某一指纹的识别。•监测：从图像中发现特定的情况内容。例如：医学中对细胞或组织不正常技能的发现，交通监视仪器对过往车辆的发现。监测往往是通过简单的图象处理发现图像中的特殊区域，为后继更复杂的操作提供起点。识别的几个具体应用方向：•基于内容的图像提取:在巨大的图像集合中寻找包含指定内容的所有图片。被指定的内容可以是多种形式，比如一个红色的大致是圆