人工智能建模方法.ppt

主要内容1. 人工智能建模相关概念人工智能建模相关概念 2. 人工智能的两个流派人工智能的两个流派2.1 基于知识的人工智能系统基于知识的人工智能系统2.2 人工神经网络人工神经网络3. 基于知识的人工智能建模基于知识的人工智能建模4. 人工神经网络建模人工神经网络建模5. 人工智能建模发展趋势人工智能建模发展趋势6. 小结小结1. 相关概念相关概念n人工智能人工智能：通过人造物来模拟人的智能的一种方法及其：通过人造物来模拟人的智能的一种方法及其实现技术的一门学科。实现技术的一门学科。 n人工智能建模人工智能建模：通过模拟人认识客观事物和解决实际问：通过模拟人认识客观事物和解决实际问题的方法对实际系统或系统的某一部分进行描述和表达题的方法对实际系统或系统的某一部分进行描述和表达的过程。也可以简述为利用人工智能方法对实际系统或的过程。也可以简述为利用人工智能方法对实际系统或系统的某一部分进行描述和表达的过程。系统的某一部分进行描述和表达的过程。 2.1 基于知识的人工智能系统基于知识的人工智能系统Artificial Intelligent System Based on Knowledgen一种从功能角度来模拟人类（特别是各领域专一种从功能角度来模拟人类（特别是各领域专家）智能的方法，也称为专家系统、符号主义家）智能的方法，也称为专家系统、符号主义或逻辑主义。或逻辑主义。n专家之所以具有智能，能认识和解决某一领域专家之所以具有智能，能认识和解决某一领域内的实际问题，关键在于专家具备该领域内的内的实际问题，关键在于专家具备该领域内的各种各种（常识、书本知识和实际工作中积累（常识、书本知识和实际工作中积累的经验），并且能够运用这些知识进行适当的的经验），并且能够运用这些知识进行适当的2.1 基于知识的人工智能系统基于知识的人工智能系统n对人类理性认识过程（或逻辑思维过程）的对人类理性认识过程（或逻辑思维过程）的一种模拟，建立在概念、判断和推理这些抽一种模拟，建立在概念、判断和推理这些抽象语言符号的基础上。象语言符号的基础上。n关键问题关键问题1 ：知识的表示知识的表示 n如何把专家知识转化为机器所能识别、存储和使用的形如何把专家知识转化为机器所能识别、存储和使用的形式式 。2.1 基于知识的人工智能系统基于知识的人工智能系统q常用知识表示方法常用知识表示方法n谓词逻辑谓词逻辑适用场合适用场合用于表达概念和判断等事实知识用于表达概念和判断等事实知识 。举例举例“鲸是哺乳动物鲸是哺乳动物”这一判断用谓词逻辑表示为：哺乳动物（鲸）；这一判断用谓词逻辑表示为：哺乳动物（鲸）； n产生式规则产生式规则适用场合适用场合适于表达具有因果关系的逻辑推理知识适于表达具有因果关系的逻辑推理知识 。举例举例“如果是合金钢，应该进行热处理如果是合金钢，应该进行热处理”这一推理用产生式规则可以这一推理用产生式规则可以表示为：表示为：IF 合金钢合金钢 THEN 热处理；热处理； n框架表示框架表示 适用场合适用场合表达多方面多层次结构知识表达多方面多层次结构知识 举例举例桌子可以用框架表示为：桌子可以用框架表示为：桌面，桌腿桌面，桌腿1、桌腿、桌腿2、桌腿、桌腿3、桌腿、桌腿4、桌面与桌腿的连接桌面与桌腿的连接。n过程表示过程表示 适用场合适用场合用于表示某一操作序列。用于表示某一操作序列。 举例举例做馒头用过程表示表示为：做馒头用过程表示表示为：和面、定型、蒸、起锅和面、定型、蒸、起锅。 2.1 基于知识的人工智能系统基于知识的人工智能系统n关键问题关键问题 2：推理方法推理方法n研究机器如何模拟人类进行知识选择并运用这些知识分析和研究机器如何模拟人类进行知识选择并运用这些知识分析和解决实际问题。解决实际问题。 n常用推理方法：常用推理方法：q由已知条件推出结论的由已知条件推出结论的正向推理正向推理 q由结论出发，寻找应具备条件的由结论出发，寻找应具备条件的反向推理反向推理 q综合使用正向推理和反向推理的综合使用正向推理和反向推理的双向推理双向推理方法。方法。 n研究热点研究热点 ：知识表示和推理中的不确定性和模糊性问题。知识表示和推理中的不确定性和模糊性问题。 q不确定性是由于各种随机因素的影响而造成的对预测结果的不不确定性是由于各种随机因素的影响而造成的对预测结果的不肯定程度，一般由概率来描述这种不肯定程度的大小。如，明肯定程度，一般由概率来描述这种不肯定程度的大小。如，明天降水概率天降水概率80%。 q模糊性是由于语言表达时词语所对应的概念内涵和外延的不确模糊性是由于语言表达时词语所对应的概念内涵和外延的不确定性决定的。如：定性决定的。如： “温度高温度高”的表述。的表述。 2.1 基于知识的人工智能系统基于知识的人工智能系统q优点：优点：1）表达能力强。可以表达难以用数学公式来描述的复杂、定性的经表达能力强。可以表达难以用数学公式来描述的复杂、定性的经验知识。验知识。 2）灵活性。知识的存放和推理过程相互独立的，通过知识的修改和）灵活性。知识的存放和推理过程相互独立的，通过知识的修改和扩充，系统可以适应新的需求。扩充，系统可以适应新的需求。 3）透明性。无论知识的表达还是推理过程都具有明确的含义，使得）透明性。无论知识的表达还是推理过程都具有明确的含义，使得用户对系统机理可以具有明确的认识。用户对系统机理可以具有明确的认识。q缺点：缺点： 1）知识获取的困难。要将专家并不明确的经验知识加以提取、整理、知识获取的困难。要将专家并不明确的经验知识加以提取、整理、转换成各种知识表示，还要考虑知识之间的相容性，因此，知识转换成各种知识表示，还要考虑知识之间的相容性，因此，知识的获取相当困难。的获取相当困难。 2）存在）存在“组合爆炸组合爆炸”问题。对于复杂的任务，知识库将变的异常庞问题。对于复杂的任务，知识库将变的异常庞大，推理中对知识的搜索和运用分支将呈几何级数的增加。大，推理中对知识的搜索和运用分支将呈几何级数的增加。3 3）精度不高，容错能力差。）精度不高，容错能力差。由于知识获取的困难和由于知识获取的困难和“组合爆炸组合爆炸”问问题的存在，常导致知识的不完备，从而降低了系统的精度。同时，题的存在，常导致知识的不完备，从而降低了系统的精度。同时，每一条知识的错误，都有可能导致整个推理的错误，因此系统容每一条知识的错误，都有可能导致整个推理的错误，因此系统容错能力差。错能力差。 2.2 人工神经网络人工神经网络Artificial Neural Networksn一种从一种从生理解剖生理解剖角度，通过模仿角度，通过模仿人脑的生理结构人脑的生理结构来模来模拟人类智能的方法。拟人类智能的方法。n理论依据理论依据 ：q人的大脑由大量神经元细胞高度互连而成，每个神经元可以人的大脑由大量神经元细胞高度互连而成，每个神经元可以对从树突输入的信号进行融合和简单的加工，然后由轴突输对从树突输入的信号进行融合和简单的加工，然后由轴突输出；出；q神经元细胞之间通过树突与轴突相互接触而形成的突触相连，神经元细胞之间通过树突与轴突相互接触而形成的突触相连，神经元之间的连接方式和连接强度决定了大脑的功能，而神神经元之间的连接方式和连接强度决定了大脑的功能，而神经元之间的连接方式和连接强度可以通过后天的学习而发生经元之间的连接方式和连接强度可以通过后天的学习而发生改变，神经元之间的连接方式和连接强度显示了人类对知识改变，神经元之间的连接方式和连接强度显示了人类对知识的记忆过程。的记忆过程。 2.2 人工神经网络人工神经网络n人工神经网络模型人工神经网络模型细胞体突触轴突树突图 12.2 生物神经元功能模型输入输出信息处理电脉冲形成传输黑箱2.2 人工神经网络人工神经网络n模拟了人的感性思维过程，即模拟了人的识别、分类、模拟了人的感性思维过程，即模拟了人的识别、分类、逼近、记忆、联想等智能活动。逼近、记忆、联想等智能活动。 n关键问题关键问题1 1 ：网络结构网络结构确定网络中神经元的个数和神经元之间的连接方式确定网络中神经元的个数和神经元之间的连接方式 。根据神经元网络中是否存在从输出到输入的反馈和同层神经元之间是根据神经元网络中是否存在从输出到输入的反馈和同层神经元之间是否相互连接（也称横向连接）分为三类：否相互连接（也称横向连接）分为三类：1、既无反馈也无横向连接的、既无反馈也无横向连接的前向网络前向网络。前向网络可以识别存储过的模式。前向网络可以识别存储过的模式并能逼近任意函数，主要用于解决识别和逼近问题。并能逼近任意函数，主要用于解决识别和逼近问题。 2、有反馈但无横向连接的、有反馈但无横向连接的反馈网络反馈网络 。反馈网络能够从局部信息中识别存反馈网络能够从局部信息中识别存储模式并且反馈网络能够向能量最低的状态演化，因此反馈网络主要储模式并且反馈网络能够向能量最低的状态演化，因此反馈网络主要用于联想记忆和优化问题求解。用于联想记忆和优化问题求解。 3、具有横向连接的、具有横向连接的竞争网络竞争网络。竞争网络通过同层神经元之间的竞争可以。竞争网络通过同层神经元之间的竞争可以实现输入模式的自动分类。实现输入模式的自动分类。 2.2 人工神经元网络人工神经元网络n关键问题关键问题 2 2：学习方法学习方法n对于神经元网络而言，所谓学习实际上就是根据典型实例样对于神经元网络而言，所谓学习实际上就是根据典型实例样本（也称训练样本）确定各神经元权值本（也称训练样本）确定各神经元权值i的过程。的过程。n主要学习方法：主要学习方法：q在神经元网络设计中，直接利用训练样本数据计算网络权值；在神经元网络设计中，直接利用训练样本数据计算网络权值； q在神经元网络设计时先将网络权值取为任意值，然后将训练样在神经元网络设计时先将网络权值取为任意值，然后将训练样本输入神经元网络，通过不断调整网络权值，使神经元网络的本输入神经元网络，通过不断调整网络权值，使神经元网络的输出接近于理想输出。输出接近于理想输出。 该类学习方法又可以分为由神经元网络该类学习方法又可以分为由神经元网络自身完成输出误差确定和网络权值调整的自身完成输出误差确定和网络权值调整的 “无师学习无师学习” 和由和由网络外的其它装置完成输出误差确定和网络权值调整的网络外的其它装置完成输出误差确定和网络权值调整的 “有师有师学习学习” 。2.2 人工神经网络人工神经网络q优点：优点：n具有自学习、自组织、自适应能力。具有自学习、自组织、自适应能力。 n存储的分布性、运行的并行性。存储的分布性、运行的并行性。 n强的拟合能力。可以拟合任意的函数，特别是具有非凡的非线性影射能强的拟合能力。可以拟合任意的函数，特别是具有非凡的非线性影射能力。力。n黑箱性。只需将系统的样本数据输入到神经元网络，神经元网络即可通黑箱性。只需将系统的样本数据输入到神经元网络，神经元网络即可通过学习建立系统模型。过学习建立系统模型。 q缺点：缺点：n缺乏透明性。用户即无法理解神经元网络中存储的知识，也无法了解神缺乏透明性。用户即无法理解神经元网络中存储的知识，也无法了解神经元网络的推理过程。经元网络的推理过程。n设计理论尚不完善。对于神经元网络结构的设计仍然依靠设计者的经验，设计理论尚不完善。对于神经元网络结构的设计仍然依靠设计者的经验，尚无成熟的设计理论作为指导。尚无成熟的设计理论作为指导。 n学习方法仍然存在问题。主要表现在需要反复学习，学习效率低，训练学习方法仍然存在问题。主要表现在需要反复学习，学习效率低，训练速度慢，学习不稳定，有时无法取得预期效果；可塑性差，新的学习内速度慢，学习不稳定，有时无法取得预期效果；可塑性差，新的学习内容有时会对原有知识造成影响。容有时会对原有知识造成影响。 3.基于知识的人工智能建模基于知识的人工智能建模q定义：基于知识的人工智能建模就是采用基于定义：基于知识的人工智能建模就是采用基于知识的人工智能方法对实际系统或系统的某一知识的人工智能方法对实际系统或系统的某一部分进行描述和表达的一种方法。部分进行描述和表