人工智能的应用及展望

　　人工智能的应用及展望

　　内容摘要：人工智能 (ArtificialIntelligence)诞生于1956年的美国，至今已接近七十年。它属于自然科学和社会科学的交叉。人工智能基于认知科学、哲学、不定性论的边缘科学研究项目，在上世纪80年代中期人工神经网络取得重大进展，其成果大量应用于系统的感知,模型建立和控制。神经网络通过对输入输出样本的学习,不断地调整网络的权值和阈值,使网络实现给定的输入输出映射关系,并具有一定的学习和自适应运用能力。智能技术是当前新技术、新产品、新产业的重要发展方向、开发策略和显著标志，借助大数据技术，尤其它在解决远程控制、故障诊断、非线性等问题上的优势，给机械系统、符号计算、模式识别的发展指明了方向。随着时代的发展及信息**的到来,人工智能的研究领域日益拓宽,其内容逐步丰富,对人类发展有划时代的意义。

　　关键词：认知科学专家系统神经网络大数据

　　前言

　　人工智能(Artificial Intelligence)，人工智能可以分为两部分，“智能”是什么，我们可以从不同方面去定义。这关联到到如意识、自我、心灵等问题.我们唯一理解的智能也就是灵长类动物拥有的能自由做出反应的能力，这种能力也是现在和未来人工智能科研的主要奋斗目标。目前我们对灵长类动物的智能的理解，可以用只可意不可言来准确形容，现阶段还不能对自身智能的理解用科学的表达方式表达出来。

　　1 人工智能的定义

　　人工智能(Artificial Intelligence,简称AI)是一门研究如何构造智能机器或智能系统，主要研究方向是模拟、延伸、扩展人类智能的。人们通过对外界事物进行长期实践做出一些归纳并对其用数值量化，用传感设备和用严密的逻辑思维进行推理并干预其结果的差错，通过逻辑计算然后再用于控制终端设备服务于受众，智能包含能力包括感知能力、记忆和思维能力、学习和自适应的能力，

　　行为能力/涉及哲学、认知科学、数学、神经生理学、不定性论、计算机科学、控制论、信息论、仿生学、心理学等;人工智能产品也逐渐融入人类的生活中密不可分。

　　2 人工智能的发展

　　人工智能的传说可以追溯到古埃及，但在历史的长河中大部分的传说都基于人们的假想，随着近代特别是二战之后世界格局的发展，1946年世界第一台计算机的诞生以来，计算机在欧美国家得以迅速发展，人工智能终可以辅以计算机系统来实现，技术已最终可以创造出机器智能，1956年在达特茅斯大学召开的会议上正式使用了“人工智能(Artificial Intelligence,AI)”这个术语，人工智能领域的研究也从此正式开始，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。随后的几十年中，人们从问题求解、逻辑推理与定理证明、自然语言理解、博弈、自动程序设计、专家系统、学习以及机器人学等多个角度展开了研究，已经建立了一些智能程度不同的人工智能系统，例如能够求集成设计分析电路、字符计算、求解积分方程、合成人类自然语言，而进行基于字符的情报检索，提供语音识别、触控识别的多模式接口输入模式，应用于疾病诊断的专家系统以及控制太空飞行器和水下机器人。我们熟知的年初的谷歌"Alphago"计算机在棋盘上击败了韩国国际象棋大师李世石就是比较突出的例子。

　　3 人工智能发展的依托

　　3.1 神经网络

　　神经网络(artificial neural network. ANN)是设置输出的是一个灵感来自系统的模拟生物激励的输出。这里输出、输入都是标准化的量，输出是输入的非线性函数，其值可由连接各神经元的权重改变，以获得期望的输出值，即所谓的训练过程。基于数值计算方法的神经网络，将已有数据和已知系统模式作样本，存储在系统的缓存区域，通过学习获得两者的映射关系，实现了对人类经验思维的模拟。由于神经网络具有原则上容错、结构拓扑、联想、推测、记忆、自学习适应、并行上传下载和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障;这里就能体现出一个庞大复杂机器和系统的监测及诊

　　断中的作用了，他们需要不断查询系统中故障的位置并向中央处理器报告突发错误的原因，并能够提供简单算法的纠错功能，当差错过大的时候这需要建立丢弃重传的机制，以保证系统的正常运行。在机械系统的应用方式有：从模式识别角度应用神经网络作为分类器进行故障诊断;从预测角度应用神经网络作为动态预测模型进行故障预测;利用神经网络极强的非线性特性。

　　3.2不定性论

　　不定性论也称作模糊集理论(FuzzySets Theory，FSN)，人的认知世界包含大量的不确定元素，但是我们所接收的信息需要对所获信息进行一定的模糊化处理，以减少问题的复杂度。1965年Zadeh创立了模糊集理论，模糊逻辑可认为是多值逻辑的扩展，人们利用在实验中发现的或者通过大量的独立重复试验得出的某个典型值作为一类事物的一个最优的或者折中的方案值来量化复杂的事物，这种模型能够完成传统数学方法难以做到的近似推理。是处理不确定性的一种很好的方法。目前基于多类电量测试信息模糊融合的模拟电路故障诊断方法已经提出。基于K故障节点诊断法和最小标准差法的元件故障隶属函数构造方法,以及基于可测点电压与不同测试频率下电路增益的模糊信息融合诊断算法，分别利用此两类测试信息及K故障诊断法和最小标准差法,对电路进行初步诊断,再运用模糊变换及故障定位规则, 得到融合的故障诊断结果。模拟实验结果表明,所提方法大大提高了机械系统故障定位的准确率。

　　3.3 大数据

　　大数据技术是继移动互联网和云计算技术的一个颠覆性的信息技术，它可以让我们有一些数量巨大，种类繁多，高价值，低密度，快速变化的有效数据，低成本的存款取，检索，分类，流量统计。但是，这并不认为今天我们能够有效，经济地理解这些数据的巨大价值是隐藏的，特别是如果这些数据是科学和经验的的社会法律代表了巨大的价值的意义。幸运的是，一些人工智能的理论，更实用的方法，已开始对大数据分析，并且做出了一些令人振奋的结果。

　　3.4启发式搜索

　　遗传算法(Genetic Algorithms ,GA)和模拟退火算法(Simulated Annealing ,SA)是近年来逐渐上升的两个启发式搜索,通过随机生成新的解决方案,同时保留良好的结果,避免陷入局部最小值,以达到全局最优解或最优解附近。遗传算法是解决优化问题的数值字符串集合通过遗传算子,即选择、交叉和变异

　　操作优化数字字符串。SA邻近区域产生已知的解决方案的新的解决方案,并逐步减少邻近区域的大小,直到接近全局最优的解决方案。这两种方法可以用来解决任何的目标函数和约束优化问题。模糊神经网络在交流伺服系统控制中使用遗传算法比传统的PID控制和快速响应, 错误小,没有冲击和强烈的伺服性能等。仿真结果表明,遗传算法的模糊神经网络控制器的交流伺服控制系统大大减少响应超调系统,具有良好的抗干扰,伺服性。

　　3.5 深度学习

　　机器学习就是机器自生从周围环境中获取经验，表现为在自身已有的知识上增强自身知识和能力，与人一样能够学习未知知识。机器学习的研究,主要是探究人类的学习理论、人脑的思维方式，建立针对具体任务的学习方式。它在开发高智能机器上是一个研究点。人类有条件研究复杂信息的识别和处理过程。用计算机实现环境与空间的自动识别，包括文字、声音、人物、物体等等;开发智能机器的突破口也是，也能为认识自身智能提供信息和依据。环境与空间的识别是信息的识别和处理过程的一个重要技术支持。

　　4人工智能的应用

　　4.1符号计算

　　符号计算是指解码数学表达式、方程时，而不是数值点的离散化，而是通过一系列的身份和数学定理的，由推理和计算的分析结果。此计算是基于数值完全准确的表达及严格的扣除的基础上，将得到的准确的结果。当然，也有不足，产生符号没有额外的属性的变量x的纯的形式(例如，以创建符号变量x，但没有指定其为正，或者它是一个实数)。为了与MATLAB版本兼容，x=sym('x','unreal')的功能和x=sym('x','clear')一样。

　　符号变量符号变量计算和分析解决方案优势不一而足,例如,符号变量计算过程用π就用π的代表,而不是一个特定的近似值3.14或3.14159。同理计算过程中自然不对数e也就用e表示，而不用其某个近似值2.71828代替，使用符号变量可以最大限度减少运营商由于舍入造成误差的计算过程。符号变量也便于操作的演示过程。

　　4.2模式识别

　　模式识别是研究如何使机器感知，视觉和听觉模型识别的主要研究。如目标

　　识别，地形，影像，字体等。目前模式识别主要集中在图形识别和语音识别。图形识别，如识别打印和一些手写文字，虹膜识别技术，如指纹。其中检查白血细胞和癌细胞已进入实用阶段。各种语音信号的主要的语音识别分类。

　　4.3 专家系统

　　专家系统(Expert System，ES)是人工智能的主要分支之一。一个典型的专家系统由四部分组成：知识库，推理机，知识获取机制和人机界面。根据不同的专家系统的知识表示方法，可以分为基于规则和基于专家系统的框架;根据不同的推理方法，可分为正向推理和向后推理。在由产生式规则知识表示，知识表示方面，一方面，它有利于现有的人工智能语言，而另一方面，它的表达使得人的心理逻辑，有利于知识的获取，为人们接受，使用知识表达应用框架已经越来越多。在诊断推理，主要表现在逻辑和推理模型的研究，在人工智能领域方面，有很多逻辑推理，广泛应用于模糊逻辑推理的专家系统，以减少对系统和复杂性故障机械系统的诊断可以产生很好的效果。研究和专家系统技术的应用是在机械工程的许多领域的发展，故障诊断，仿真，自动控制，工艺设计，生产计划，产品设计等前所未有的速度。随着研究工作的不断深入，技术和先进制造技术的一些新的方法集成到机械工程的研究和专家系统技术的应用，不仅打造知识表示，知识库，知识获取和推理模型的关键技术等方面的研究取得了一定的成就，也出现了一些新的集成专家系统，如神经网络专家系统，模糊专家系统，基于Internet的专家系统，CAD专家系统，CAPP专家系统等燃灯的综合利用率的专家系统的透明度、柔韧性;并具有处理不确定知识的能力，机械工程专家系统的更广泛的应用领域的特性。

　　4.4 机器翻译

　　协同翻译方面,翻译是机器翻译,顾名思义,这里的对象一般是指英文的中文自然语言。通常,未能翻译分为两个阶段一是“语言”的理解,第二种是“生成翻译”。成功的翻译家,当然需要善于原文译文:语言与语言,更重要的是理解内容。第一次实质性的机会,因此研究协同翻译方面远远超过了计算机处理语言的范围,而是人工智能研究的中介目标。事实上,也可以说是协同翻译方面50年研究中唯一的自然语言处理的一个领域的实用化。协同翻译方面一般分为三种方式:转换方式,中间语言方式和直接的方式。所谓转换方式,首先,分析原文,原文的语法构造乃至语义结构。然后,事先准备的转换规则将原文的结构重组的成长目标的原

　　因已经,最后生成。所谓中间语言方式,是原语言文章转化为了分析,任何语言的概念结构,然后直接特别是概念结构生成目标语言,所谓直接方式,分析前的语言一起去生成目标语言,这种方式结构的中心。

　　5 人工智能存在的问题

　　早在计算机诞生的初期,就提出了用计算机完成智能翻译的想法，由此可知任内对智能的研究具有悠远的历史。但是人类在智能的研究方面遇到诸多的瓶颈，目前所面临的问题主要有机器翻译、人工智能的安全问题等。

　　5.1 机器翻译所面临的问题

　　机器翻译所面临的问题仍然是翻译准确率不高。歧义性问题一直存在，是自然语言理解中的一大难关。就以汉语为例，同一个意思可一用几种甚至几十种不同的语句表达，同样句子在不同的情况下使用,也拥有不同的含义。所以,要消除歧义就要对句子的构成进行科学规划，对每一个句子进行科学的分析,找出造成歧义的词语，并且分析这些词语在句中导的准确含义。另外,即便对原文有了一定的理解,机器理解语句的含义也不一定准确，而且理解的意义在机器上变现出来也存在问题。目前的机器不能像人一样在时间上增加理解力，没有学习,没有记忆,没有归纳。造成这种结果的原因是计算机本身硬件和软件问题。现在自然语言理解的研究技术很不完整,大多数研究被关在语言这一领域里,并没有对人类的理解问题做深入研究。

　　5.2 人工智能的安全问题

　　人工智能任然在探究的初期阶段，有人认为如果让机器像人一样智能，是很危险的。这样机器可能反抗人类，原因有很多可能是机器会像人一样犯罪，对人的统治发起反抗，而且有可能会统治人类，当然人类是不会允许这种时间发生的。这种人工智能的安全问题在很多部科幻电影中都展现过，最主要的是同不同意让人工智能拥有自主意识，如果使人工智能拥有自主意识，也就意味着机器具有与人同等的创造性、自我保护思想、情感和自发行为。

　　6 人工智能的前景及展望

　　从智能手机、自动驾驶汽车到医疗机器人，人工智能**已经到来。人工智

　　能让互联网搜索更加灵敏;将文本从一种语言翻译成另一种语言;在拥挤的交通中推荐最畅通的线路;帮助识别信用卡诈骗等。虽然很多时候我们甚至没有意识到它的存在，但我们的生活却因它悄悄改变。人们总是趋向于安逸的生活，人工智能的出现满足了人们许多的需求，这会导致人们满足于享受当前的生活而忘记许多自己的本能。但人们还得需要用自己的双手去创造物质文明，过度的依赖人工智能设备会让我们意志力淡泊，丧失生活的乐趣，如果能把智能设备用到改善人们生活方式，提高生活质量的领域去，不管是社会资源的提供者、生产者还是消费者都会从中受益。

　　7 结束语

　　现阶段人工智能在专家系统,智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学等方面都有许多的应用，并且范围越来越广，人们也越来越依赖这些发明，但这些技术都希望能更好的去应用服务育人，促进科学发展朝着一个积极的目标迈进，虽然看似都是科学发展的，但是我们得注意其使用的度，人还是需要自己通过动脑来完成某些关键且重要的工作，不要过分的以来人工智能智能作为一种工具被人类智能限定在一定的范围里发展，才能在保证其安全的条件下最大程度的为人类发挥作用。