《智能物联网技术与应用》课件 第四章 人工智能技术

第四章

人工智能技术01物联网拓扑结构概述上章内容02最优化部署理论03拓扑透明的调度技术02人工智能技术概述本章内容03人工智能在智能物联网中的应用04人工智能技术的发展趋势01智能物联网的核心驱动力智能物联网：AI+IoT的必然融合核心定义智能物联网是物联网与人工智能的深度融合，通过物联网采集数据，由AI进行分析与决策，实现万物数据化与智联化。01融合目标打破信息孤岛，实现设备、系统与场景的互联互通，使物联网设备具备智能感知、分析与决策能力。社会影响推动社会智能化发展，广泛应用于智能家居、智慧城市等领域，提升社会运行效率。0203人工智能技术概述4.1人工智能是计算机科学分支，研究模拟、延伸、扩展人类智能的理论、方法、技术及应用系统，旨在使机器以近似人类智能方式做出反应。人工智能：让机器像人一样思考人工智能发展历程逻辑专家程序纽厄尔和西蒙做了一个名为“逻辑专家”的程序，这个程序被许多人认为是第一个人工智能程序。达特茅斯会议1956年约翰·麦卡锡首次提出“人工智能”概念，会议集中领域创立者并奠定研究基础，被视为AI正式诞生标志。深蓝击败卡斯帕罗夫1997年IBM深蓝计算机挑战国际象棋世界冠军。首次公开展示机器在复杂博弈中超越人类顶尖选手，成为AI发展里程碑。AlphaGo胜李世石2016年AlphaGo以4:1击败围棋世界冠军李世石，通过自我对弈与强化学习达到超人类水平，引发社会对AI变革的广泛思考。1955195619972016人工智能四大阶段符号智能阶段连接智能阶段现场智能阶段社会智能阶段RACI符号智能阶段以物理符号为研究对象，代表早期专家系统与形式化知识表示。以人工神经元网络的连接机制为对象，强调权重自学习，奠定今日神经网络基础。研究智能体与环境之间的现场交互。通过感知-动作与反馈机制实现实时互动。关注智能体社会的组织机制及与人类的交互合作，实现社会性求解。定义：专家系统是人工智能的一个重要分支，它在特定领域内利用大量专家知识与推理方法建立计算机程序，能够模拟人类专家的思维过程进行判断与决策。专家系统：把人类经验搬进电脑应用价值：能模拟人类专家推理过程并对输入事实做出判断与决策，广泛应用于医疗诊断、地质勘探等行业。概念：机器学习是计算机通过数据自动改进性能的过程，涉及统计学、优化理论、神经网络等多学科知识，是人工智能的核心技术之一。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。机器学习：从数据中自动提炼规律机器学习分类——学习模式

监督学习监督学习利用已标记的有限训练数据集，通过某种学习策略实现对新数据的标记（分类）。典型的监督学习算法包括回归和分类。标签越准确模型性能越高。用于自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域。01使用未标记数据。揭示隐藏结构或规律。无监督学习不需要训练样本和人工标记数据，便于压缩数据存储、减少计算量来提升算法速度，还可以避免正、负样本偏移引起的分类错误问题。无监督学习02

强化学习强化学习通过智能体与环境的交互学习行为映射，使累积奖赏最大，系统靠自身经历改进策略，在机器人控制、无人驾驶、博弈等领域获得成功应用。03机器学习分类——学习方法0102使用​​深度神经网络​​，让模型自己从海量数据中​​学习特征​​。放弃可解释性，​​追求极致的预测性能​​。​​特征表示与学习过程合二为一，自动学习特征。需要​​海量数据​​（大数据）和​​强大算力​​（GPU/TPU）。​​​​典型模型举例：​​​​CNN（卷积神经网络）：​​处理图像、空间数据。​​RNN（循环神经网络）：​​处理语音、文本等时序数据。深度学习从数据中​​发现规律​​，并进行预测。需要人工提取和选择数据的特征。理论基础牢固，源于统计学。适用于有限样本的场景。​​典型算法举例：​​决策树、支持向量机（SVM）、逻辑回归、K-近邻算法...传统机器学习机器学习分类——算法目标领域​​数据稀缺​​或标注成本高时，将已学到的​​模型参数​​，应用到一个相关的​​新任务​​中。目前主要在变量有限的小规模应用中使用，如基于传感器网络的定位、文字分类和图像分类等。​​迁移学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。能够通过较少的训练样本获得高性能的模型。主动学习面对复杂的​​优化问题​​，特别是目标不连续、不可导、多目标的场景。模拟生物​​进化过程​​，​​群体迭代​​，逐步优化出问题的最优解。​​研究主要集中在演化数据聚类、对演化数据更有效的分类等。演化学习123概念：计算机视觉研究让计算机从图像识别物体、场景与活动，综合图像处理与深度学习技术，分支包括计算成像、图像理解、三维视觉、动态视觉与视频编解码，用于自动驾驶、人脸识别、医疗成像等。计算机视觉计算成像学不断促进现有可见光相机的完善，使得现代相机更加轻便，可以适用于不同场景。同时也推动着新型相机的产生，使相机超出可见光的限制。计算成像学-让相机“看的更好”计算成像学可以提升相机的能力，从而通过后续的算法处理使得图像更加完善，例如图像去噪、去模糊、暗光增强、去雾霾等，以及实现新的功能，例如全景图、软件虚化、超分辨率等。图像理解-让计算机“看懂”图像​高层理解根据高层语义信息，可大致分为识别、检测、分割、姿态估计、图像文字说明等。目前高层理解算法已逐渐广泛应用，如刷脸支付、智能安防、图像搜索等。包括物体边界、区域与平面等包括图像边缘、图像特征点、纹理元素等中层理解浅层理解三维视觉研究如何从图像中恢复三维信息（三维重建）​​，并​​理解和利用这些三维信息​​。三维重建可以分为单目图像重建、多目图像重建和深度图像重建等。三维信息理解可分为3层：浅层：角点、边缘、法向量等；中层：平面、立方体等；高层：物体检测、识别、分割等。三维视觉技术可以广泛应用于机器人、无人驾驶、智能工厂、虚拟/增强现实等方面。三维视觉-从二维平面到三维世界​动态视觉分析​​连续的视频序列​​，追踪物体在时间维度上的运动与变化，并提取其语义信息。寻找不同帧之间​​像素、区域、物体的对应关系​​（即追踪），并分析其行为。不同于图像理解关注单张图片，动态视觉关注​​时序关系​​。应用：​​视频内容分析​​（如行为识别、异常检测）、​​人机交互​​（如手势识别）。动态视觉-理解“随时间变化”的画面​​视频编解码通过​​压缩技术​​大幅减小视频文件体积，是实现视频高效存储和流畅传输的关键。​​无损压缩：​​压缩后能​​完全还原​​原始数据，无质量损失。适用于​​文档压缩​​。​​有损压缩：​​压缩后会​​永久丢失​​部分信息，但力求人眼不察觉。​​牺牲部分质量换取极大压缩率​​，广泛应用于​​网络视频、视频会议、数字电视​​。​​常见标准：​​H.264,H.265,MPEG系列。视频编解码-高效存储和传输视频​​自然语言处理旨在实现人与计算机用自然语言进行有效通信，是计算机科学与人工智能的交叉领域。涉及的领域主要包括机器翻译、语义理解和问答系统等。自然语言处理​​面临词法、句法、语义多层面不确定性与新词涌现等挑战，需要不断优化算法与模型。自然语言处理​​​机器翻译是利用计算机将一种自然语言转换为另一种语言的技术，其主流方法已从​​统计机器翻译​​演进到更流畅自然的​​神经网络端到端翻译​​。机器翻译语义理解旨在让计算机​​深度理解文本和篇章的涵义​​，并精准回答相关问题，其核心是​​对上下文的理解​​和​​答案精准度的把控​。是​​智能客服、自动问答​​的核心，但对需要推理和泛化的复杂答案仍面临挑战。语义理解问答系统让计算机能用自然语言与人交流，可分为​​开放领域​​（闲聊）和​​特定领域​​（客服、助手）两大类，但系统的​​稳健性​​（应对复杂、非常规问题的能力）仍需提升。问答系统自然语言处理在迈向真正“智能”的过程中，仍需克服​​不确定性、不可预测性、数据不充分​​和​​语义计算复杂​​四大核心挑战。自然语言处理四大挑战​​不确定性不可预测性数据不充分语义计算复杂语言在词法、句法、语义、语音等各个层面都存在歧义。新词汇、新用法、新语义不断涌现，难以预测。现有数据难以覆盖所有复杂语言现象。语言的模糊性和强关联性，需要极其复杂的非线性模型来描述和计算。模式识别是研究如何让计算机对事物（如图像、声音、文本）进行​​描述、辨认和分类​​的科学，是人工智能实现“感知”的基础。两大重要方面分别为​​视觉识别——​​处理光学信息（如文字识别、人脸识别）和​​听觉识别——​​处理声学信息（如语音识别）。​​​​典型应用：​​字符识别（OCR）、语音识别、医疗图像诊断等。模式识别​​知识图谱是一种用​​“实体-关系-实体”三元组​​组成的结构化语义网络，它从“关系”的视角连接万物，让机器能够进行关联和推理。是一种图结构，​​节点​​代表实体（人、地、物），​​边​​代表实体间的关系。提供从“关系”角度分析问题​​的能力，而不仅仅是从孤立的数据点出发。​​搜索引擎：​​提供更精准、关联的搜索结果。​​反欺诈：​​通过关系网络发现异常团伙。​​推荐系统：​​基于复杂的用户-物品关系进行精准营销。知识图谱​​人机交互已从传统的键盘、鼠标，发展到与AI深度融合的​​语音、情感、体感、脑机​​等更自然的交互方式。人机交互从​​间接​​的物理设备交互，走向​​直接、自然、智能​​的交互。人机交互​​人机交互语音交互语音交互通过​​语音识别、语义理解、语音合成​​技术，实现人与计算机之间最高效、最自然的双向对话。脑机交互脑机交互绕开外围神经与肌肉，直接在大脑与外部设备间建立​​信息通路​​，实现“意念”控制。体感交互通过​​肢体动作、手势、表情​​直接控制设备，实现“无物”束缚的自由交互。在游戏、医疗康复、虚拟现实等领域应用广泛。情感交互赋予计算机​​观察、理解、表达​​人类情感的能力，追求有温度的、共情的交互体验。03010402侵入式非侵入式两大阶段：​​​​注册阶段：​​采集生物特征->提取关键特征->存储模板。​​识别阶段：​​再次采集特征->提取特征->与存储模板​​比对​​。​​两大任务：​​​​辨认（1：N）：​​“你是谁？”（从人群中查找）​​确认（1：1）：​​“你是你吗？”（身份验证）生物特征识别​​指纹识别指静脉识别人脸识别声纹识别虹膜识别步态识别利用计算机生成与真实环境在视觉、听觉、触觉高度近似的数字化环境。可使用户通过必要装备获得近似真实体验。目前面临包括智能获取、普适设备等一系列科学技术问题。VR/AR从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系5个方面。虚拟现实/增强现实​​人工智能在智能物联网中的应用4.2物联网是海量数据的主要来源，是AI的“金矿”、数据驱动。AIoT是AI、IoT、云计算、大数据等技术融合发展的必然结果。​​AI+IoT模式：物联网采集数据

→

大数据平台处理

→AI算法分析挖掘

→

反馈实现智能化​​三种智能化分析​​：​​实时分析​​（如无人驾驶）​​最优分析​​（如智能农业）​​预测分析​​（如智慧气象）人工智能和智能物联网中的联系安全挑战​​：IoT设备指数增长，网络攻击面扩大。人工智能对智能物联网的网络安全作用AI赋能安全​​：使用机器学习、神经网络等AI技术识别威胁和潜在攻击。​​研究成果例举​​：基于深度学习的DDoS攻击检测（准确率97.16%）。利用人工神经网络在网管检测数据异常。工业物联网中的攻击检测、估计与补偿。机器学习通过数据“学习”模式，进行预测和判断。​​典型应用：​​案例​​：Augury公司通过传感器实时监测机器异常，避免故障。​​价值​​：为企业节省成本（制造业、餐饮、楼宇电梯等）。​​个性化体验​​：根据用户数据（如光照偏好）塑造个性化环境。​​未来展望​​：​​个人健康​​：通过可穿戴设备预测健康风险。​​公共安全​​：分析城市数据（噪声、视频）预测事故和犯罪行为。智能物联网与机器学习技术融合​智能物联网中的人机交互技术​交互方式多样化​​：当前主流技术包括语音交互、手势识别、图像识别、体感交互。但各项技术仍有局限性（如语音识别的噪声干扰）。​​未来趋势​​：​​语音交互​​将成为智能物联网时代的主要交互技术。​​应用领域​​：在智能家居、车载系统、医疗、教育等领域有广泛应用前景。人工智能技术的发展趋势4.3目标是具