第一讲 人工智能及其应用.ppt

模式识别 是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力 其已在医学图象,指纹识别,天气预报,汽车牌照识别中广泛应用. 机器视觉或计算机视觉 是一种用计算机实现(或模拟)人的视觉功能，对客观外界进行感知和理解的技术。它是在图像处理和模式识别技术基础上发展起来的一门新兴的学科分支，其主要目的就是用机器识别客观外界景物，即从外界获得二维图像，抽取其特征(如形状、位置、大小、灰度、颜色、纹理等)构成本征描述，然后与已知物体的描述相匹配，从而辨认出所描述的物体。 机器学习 所谓机器学习，就是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。机器学习就是计算机自动获取知识，它是知识工程的三个分支（使用知识、知识表示、获取知识）之一 。 神经网络 也称神经计算,是指一类计算模型,其工作原理模仿了人类大脑的某些工作机制,其利用大量人工神经元组成一个大网络,来实现大规模并行运算. 神经网络已在模式识别、图象处理、组合优化、自动控制、信息处理、机器人学和人工智能的其它领域获得日益广泛的应用 专家系统 是一个具有大量专门知识和经验的程序系统，它应用于人工智能技术，根据某个领域中一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。 人工智能的新生：计算智能 80年代，符号主义AI的研究未能取得应有进展，再加上日本第五代计算机研制的失败，使符号主义的研究受到挫折。然而科学并未因此而停滞不前，它总是在可以突破的地方首先契入进去。 与之形成对比的是，连接主义的研究蓬勃发展，在理论和应用上均取得了令人瞩目的成就。 通常狭义的AI，是基于传统的符号推理的人工智能，其主要目标是应用符号逻辑的方法模拟人的问题求解、推理、学习等方面的能力。这好像有点违背常理，通常人们认为类似下棋、诊断、推理公式等事情只有专家才能做到尽善尽美，为什么计算机反而容易模仿呢？原因就在于这些事情可以符号化，可以精确量化，可以在串行的Von Neumann型计算机上运行；相反，对于人类在日常生活中辨认人物、听懂语音等这些具有Common-sense性质的事情，计算机却很难做到。 所以近年来，在广义的AI中包含了另一个很有前途的研究方向——计算智能（CI，Computational Intelligence）。1994年6月，IEEE召开了一次规模空前的CI大会，论文总数超过1600篇。CI中包含了许多基于数值计算方法的智能计算方法，这些方法在模拟人脑的联想、记忆、发散思维、非线性推理、模糊概念等传统AI难以胜任的方面表现优异，并受到人们的广泛关注。计算智能方法也得到越来越多学者的研究和完善，并与传统的AI技术互相交叉、取长补短，使得AI研究与应用呈现出向上的发展趋势。相信随着计算工具、计算智能方法的日趋完善，具有真正意义的智能机器终会走入我们的工作与生活。 计算智能所包含的领域 人工神经网络(Artificial Neural Network, ANN)  模糊系统(Fuzzy System, FS) 进化计算(Evolution Computing, EC)  20世纪90年代后，联接主义AI的研究逐渐占据主导作用，同时模糊逻辑理论及其应用的研究也取得了重大进展。模糊逻辑突破了传统逻辑的思维模式，对于深刻研究人类的认识能力具有举足轻重的作用。特别是它与专家系统、神经网络以及控制理论的结合，说明它正在AI研究中扮演重要角色。同时，在自然选择和进化理论基础上发展起来的进化计算理论在优化计算等方面也有其特定的优势，成为AI研究的一个新方向。 计算智能 计算智能系统是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上，通过相互之间的有机融合而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。 这些不同的成员方法从表面上看各不相同，但实际上它们是紧密相关、互为补充和促进的。 近年来的研究发现:神经网络反映大脑思维的高层次结构;模糊系统模仿低层次的大脑结构；进化系统则与一个生物体种群的进化过程有着许多相似的特征。 计算智能 这些研究方法各自可以在某些特定方面起到特殊的作用，但是也存在一些固有的局限，将这些智能方法有机地融合起来进行研究，就能为建立一种统一的智能系统设计和优化方法提供基础。基于这种考虑，将三者结合起来研究已经成为了一种发展趋势。1994年起，IEEE的神经网络、模糊系统、进化计算三大会议合在一起召开，就反映了这种趋势，计算智能作为人工智能新发展的主流地位就从自确定